Marco de fusión de convolución dilatada de doble vía consciente de la incertidumbre estadística para la eliminación...

Área de la Ciencia:

• Física Médica
• Radioterapia
• Inteligencia Artificial en Medicina

Sus antecedentes:

• El cálculo de dosis de Monte Carlo (MC) en radioterapia ofrece alta precisión, pero sufre de incertidumbre estadística (SU) y demandas computacionales.
• La eliminación de ruido de las distribuciones de dosis de MC es crucial para la aplicación clínica, sin embargo, los métodos tradicionales enfrentan limitaciones.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo consciente de la incertidumbre estadística para la eliminación de ruido de dosis de MC precisa y eficiente.
• Mejorar la velocidad y la precisión del cálculo de dosis en la radioterapia de intensidad modulada (IMRT).

Principales métodos:

• Se diseñó una red neuronal convolucional de tres canales que integra dosis de MC ruidosas, mapas de SU e imágenes de TC.
• Una arquitectura de doble vía con convoluciones dilatadas extrajo características locales y globales.
• El modelo se entrenó y validó en 69 planes clínicos de IMRT en tres sitios tumorales con diferentes niveles de ruido.

Principales resultados:

• El modelo consciente de SU superó significativamente a los modelos no conscientes de SU, reduciendo el error de dosis medio (MDE) en los sitios de cabeza y cuello, cerebro y pulmón.
• Las tasas de paso Gamma (GPR) superaron el 97% (3%/3 mm), lo que demuestra una alta precisión.
• La eliminación de ruido de dosis se logró en cuestión de segundos, lo que permite posibles aplicaciones en tiempo real.

Conclusiones:

• La incorporación explícita de SU en la red de aprendizaje profundo permite la eliminación de ruido de dosis de MC rápida y precisa.
• El marco propuesto ofrece una solución prometedora para mejorar la planificación del tratamiento de radioterapia.