Modelado del efecto talón del ánodo basado en aprendizaje automático en simulaciones Monte Carlo de haces de rayos X

Área de la Ciencia:

• Física Médica
• Imagen Computacional
• Aprendizaje Automático

Sus antecedentes:

• El efecto talón del ánodo causa una intensidad asimétrica del haz de rayos X, lo que afecta las simulaciones del sistema de imágenes.
• El modelado preciso de este efecto es crucial para simulaciones Monte Carlo (MC) realistas en imágenes médicas.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático (ML) para modelar el efecto talón del ánodo en simulaciones MC.
• Permitir el modelado preciso y dependiente de la energía del haz con datos experimentales mínimos.

Principales métodos:

• Se entrenaron múltiples modelos de regresión, incluido el de regresión de aumento de gradiente (GBR), para predecir variaciones espaciales de intensidad.
• Se utilizaron pesos adquiridos experimentalmente de mediciones de haz y un protocolo de ajuste fino.
• Se implementaron modelos GBR en los kits de herramientas MC OpenGATE y GGEMS.

Principales resultados:

• GBR logró la mayor precisión con errores de predicción inferiores al 5% en todos los niveles de energía.
• Una estrategia optimizada de ajuste fino redujo el esfuerzo de medición en un 65% (6 posiciones/nivel de energía).
• Los modelos basados en ML replicaron de cerca los perfiles de haz clínicos, superando a los modelos simétricos.

Conclusiones:

• Presenta un método ML robusto para incorporar el efecto talón del ánodo en simulaciones MC.
• Mejora el realismo de la simulación para aplicaciones de dosimetría, calidad de imagen y protección contra la radiación.
• Facilita el modelado preciso del haz con datos de calibración limitados.