基于树突交叉注意力机制的高剂量率近距离放射治疗剂量分布预测研究

本文推荐：研究者针对宫颈癌高剂量率近距离放射治疗（HDR-BT）计划制定的临床痛点，创新性提出BiCA-UNet和DCA-UNet模型。通过交叉注意力机制（Cross-Attention）融合CT影像与靶区（CTV）、危险器官（OARs）分割信息，显著提升剂量预测精度（D90指标优化达7.3%），为标准化治疗提供AI解决方案。

　　

Highlight

本研究亮点在于开发了两种突破性深度学习架构——双分支交叉注意力UNet（BiCA-UNet）和树突交叉注意力UNet（DCA-UNet），用于解决宫颈癌高剂量率近距离治疗（HDR-BT）中复杂的剂量预测难题。

Experiments and results

实验结果显示：在678例治疗案例中，DCA-UNet展现出最优性能，其剂量预测的γ通过率（3%/3mm标准）较传统Basic UNet提升15.8%。该模型通过树突状分支结构同步处理CT影像、临床靶区（CTV）及膀胱/直肠分割图，实现了危险器官（OARs）剂量梯度的高精度建模。

Discussion

创新性讨论：

• 多模态特征融合：首次在BT领域将CT值与器官分割掩膜（mask）通过注意力机制动态加权

• 解剖结构感知：树突分支使模型能"理解"施源器与器官的空间关系，剂量热点预测误差降低23%

• 临床转化价值：预测结果满足TG-43协议要求，单病例计算时间<2分钟

Conclusion

结论表明：DCA-UNet凭借其仿生的树突结构设计，在保持HR-CTV（高危临床靶区）剂量覆盖的同时，将膀胱D_2cc预测误差控制在1.7Gy以内，为自动化BT计划树立了新标杆。