用于放疗剂量预测的带多尺度细化的三元组约束Transformer
Triplet-constraint Transformer with Multi-scale Refinement for Dose Prediction in Radiotherapy
AI总结：
针对放疗剂量预测中PTV内外剂量差异被忽略的问题，提出带多尺度细化的三元组约束Transformer（TCtrans），利用PTV几何约束和全局剂量知识，在宫颈癌数据集上取得优越性能。
摘要：
放射治疗是癌症的主要治疗方法，其目标是对计划靶区（PTV）施加足够的辐射剂量，同时最小化对危及器官（OARs）的剂量危害。卷积神经网络（CNNs）通过预测剂量图实现了放射治疗计划的自动化。然而，现有的基于CNN的方法忽略了剂量图中显著的剂量差异，即PTV内部的高剂量值和PTV外部的低剂量值，导致预测效果次优。在本文中，我们提出了一种具有多尺度细化的三元组约束Transformer（TCtrans）来预测高质量的剂量分布。具体而言，设计了一种新颖的PTV引导的三元组约束，利用PTV的显式几何形状来细化PTV内部和外部的剂量特征表示。此外，我们引入了一个多尺度细化（MSR）模块，以在多个尺度的不同解码层中有效实现三元组约束。另外，设计了一个Transformer编码器来学习重要的全局剂量学知识。在临床宫颈癌数据集上的实验证明了我们方法的优越性。
英文摘要：
Radiotherapy is a primary treatment for cancers with the aim of applying sufficient radiation dose to the planning target volume (PTV) while minimizing dose hazards to the organs at risk (OARs). Convolutional neural networks (CNNs) have automated the radiotherapy plan-making by predicting the dose maps. However, current CNN-based methods ignore the remarkable dose difference in the dose map, i.e., high dose value in the interior PTV while low value in the exterior PTV, leading to a suboptimal prediction. In this paper, we propose a triplet-constraint transformer (TCtrans) with multi-scale refinement to predict the high-quality dose distribution. Concretely, a novel PTV-guided triplet constraint is designed to refine dose feature representations in the interior and exterior PTV by utilizing the explicit geometry of PTV. Furthermore, we introduce a multi-scale refinement (MSR) module to effectively fulfill the triplet constraint in different decoding layers with multiple scales. Besides, a transformer encoder is devised to learn the important global dosimetric knowledge. Experiments on a clinical cervical cancer dataset demonstrate the superiority of our method.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
