Aplicación de cGAN: predicción de dosis para tratamientos de radioterapia

• Autores: Ortman, Sofia; Vera Poliche, Maximiliano; Descamps, Caroline; Garrigó, Edgardo; Gonzalez Montoro, Nehuen
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; GAN; cGAN; redes generativas adversariales condicionales; predicción de dosis; SBRT; cáncer de próstata; radioterapia; conditional generative adversarial networks; dose predictions; prostate cancer; radiotherapy
• Institución: Universidad Nacional de La Plata

En este trabajo presentamos la aplicación de un modelo basado en redes generativas adversariales condicionadas (cGAN) para la planificación de tratamientos de radioterapia corporal estereotáctica (SBRT) para cáncer de próstata. Proponemos una arquitectura inspirada en enfoques previos utilizados en la planificación de dosis para otros tipos de cáncer, adaptada específicamente a las características y requerimientos clínicos de tratamiento del cáncer de próstata. Evaluamos el desempeño del modelo utilizando datos de casos reales tratados en un centro de radioterapia de Córdoba, comparando los planes de dosis generados con los planes clínicos aprobados por especialistas. Los resultados obtenidos en el conjunto de prueba presentaron en los DVH en promedio un RMSE del 2,98% sobre el volumen del PTV, 3,56% sobre el volumen del recto y 2,32% sobre el volumen de la vejiga. Esto sugiere que el uso de redes generativas adversariales puede ser una herramienta prometedora para mejorar la eficiencia en la planificación de la SBRT.
In this work we present the application of a model based on conditional generative adversarial networks (cGAN) for the planning of stereotactic body radiotherapy (SBRT) treatments for prostate cancer. Inspired by previous approaches used in dose planning for other types of cancer, we propose an architecture adapted to the characteristics and clinical requirements of prostate cancer treatment. We evaluate the model’s performance using data from real cases treated at a radiotherapy center in C´ordoba, comparing the generated dose plans with the clinical plans approved by specialists. The results obtained on the test set show, on average, a RMSE of 2.98% over the PTV volume, 3.56% over the rectum volume and 2.32% over the bladder volume in the DVHs. This suggests that the use of generative adversarial networks could be a promising tool to improve efficiency in SBRT planning.
Sociedad Argentina de Informática e Investigación Operativa