<span dir="RTL" lang="AR-SA">شبکه ی عصبی کانولوشن هیبریدی برای ایجاد طراحی درمان رادیوتراپی تعدیل<span dir="RTL" lang="AR-SA"> <span dir="RTL" lang="AR-SA"> شده با شدت بهینه برای تومورهای مغزی

مقدمه: رادیوتراپی با شدت مدوله شده (Intensity-Modulated Radiation Therapy) IMRT یکی از روش های اصلی درمان تومورهای مغزی است، اما طراحی آن پیچیده و وابسته به تجربه فیزیسیست است. هدف این مطالعه، توسعه و ارزیابی یک مدل شبکه ی عصبی کانولوشن هیبریدی (Hybrid CNN) برای پیش بینی طراحی خودکار پلن های IMRT با دقت بالا بود. روش ها: داده های ۱۲۰ بیمار مبتلا به گلیوبلاستوما بین سال های ۱۴۰۰ تا ۱۴۰۳ استفاده شد. تصاویر CT و MRI کانتور شده و مقادیر هیستوگرام حجم همپوشانی (Overlap Volume Histogram) OVH برای ارگان ها به عنوان داده ورودی ارائه شد. سه رویکرد بررسی شد: استفاده از داده های OVH، داده های ساختارهای کانتور شده و ترکیب هر دو به عنوان ورودی جامع. مدل با استفاده از لایه های ۱D و ۳D-CNN و شبکه کاملا متصل آموزش داده شد و عملکرد آن با شاخص های میانگین خطای مطلق (MAE) و خطای مربعی میانگین (MSE) ارزیابی شد. یافته ها: مدل هیبریدی عملکرد برتری نسبت به مدل های منفرد داشت. میانگین فقMAE و MSE در مجموعه تست به ترتیب ۲/۸۵ Gy و ۷/۵۵ Gy بود. مقادیر پیش بینی شده دوز برای اندام های حساس با داده های واقعی همخوانی بالایی داشت (۰/۰۵ < P). ترکیب OVH و تصاویر کانتور شده موجب افزایش دقت مدل و توانایی ثبت روابط پیچیده میان ساختارهای آناتومیک و اهداف دوز– حجم شد. نتیجه گیری: مدل هیبریدی CNN قادر است طراحی خودکار پلن های IMRT را با دقت بالا انجام دهد، کیفیت پلن ها را بهبود بخشد، وابستگی به تجربه فیزیسیست را کاهش دهد و قابلیت ادغام با سیستم های برنامه ریزی درمانی را داراست، و مسیر پرتودرمانی شخصی سازی شده و ایمن تر در بیماران مبتلا به تومور مغزی هموار می سازد.

کلیدواژه ها:

رادیوتراپی با شدت مدوله شده ، شبکه ی عصبی کانولوشن هیبریدی ، طراحی درمان خودکار ، تومور مغزی ، هیستوگرام حجم همپوشانی