抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
目的:機械学習(ML)に基づく放射線治療(RT)計画は,従来の逆計画の反復的および時間のかかる性質を扱う。磁気共鳴(MR)のみの治療計画ワークフローの重要性を考えると,著者らは,コンピュータトモグラフィ(CT)イメージングで訓練されたMLベースの治療計画モデルがドメイン適応を通してMRに適用できるかどうかを決定することを試みた。方法:本研究では,MRおよびCTイメージングを,MR線形加速器で治療した55の前立腺癌患者から採取した。MLに基づく計画は,RaySation 8Bで市販のモデルを用い,CTとMR画像の両方で各々の患者に対し発生した。MRとCTベースの計画の線量分布と受容率を,制度線量-容積評価基準を使用して比較した。MRとCT計画の間の線量測定差を,さらにセットアップ,コホート,およびイメージングドメイン成分に分解した。結果:MR計画は,CT計画の96.3%と比較して,全評価基準の93.1%を満たし,膀胱壁,陰茎,小および大腸,および1直腸壁基準(p<0.05)を除くすべての評価基準の線量等価性で,すべての評価基準の93.1%を満たしていた。入力イメージング様式(ドメイン成分)の変化は,MRとCT計画の間に観察された線量測定差の約半分を説明した。ML訓練セットとMRライナックコホート(コホート成分)間の解剖学的差異も有意な寄与因子であった。意義:CTに基づく計画から臨床的に有意な線量偏差が観察されたが,治療計画のためのCT訓練MLモデルを用いて,高度に許容できるMRに基づく治療計画を作成することができた。【JST・京大機械翻訳】