3D流動性マップと複雑性メトリックを使用して,体積調節弧療法におけるガンマ通過率のコンボリューションニューラルネットワークベースの予測

科学分野:

• 医学物理学
• 放射線療法
• 人工知能

背景:

• ボリュメトリック・モジュール・アーク・セラピー (VMAT) は,厳格な品質保証を必要とする複雑な放射線療法です.
• ガンマ通過率 (GPR) の正確な予測は,治療計画品質と患者の安全を確保するために不可欠です.
• GPRの予測のための伝統的な方法は時間がかかり,治療計画の複雑さを完全に捉えることができないかもしれません.

研究 の 目的:

• VMAT治療計画におけるGPRを予測するためのディープラーニングベースのモデルを開発し,検証する.
• 3D流動性ベースのディープラーニングモデルのパフォーマンスを他の予測モデルと比較する.
• 患者特有の品質保証プロセスを強化するこのモデルの可能性を評価する.

主な方法:

• ディープラーニングモデルを訓練し,検証するために360のVMAT治療プランのデータセットが使用されました.
• 入力機能には3D流動性マップと治療計画複雑性メトリックが含まれていました.
• 入力機能とGPRの関係をモデル化するために,コンボーションニューラルネットワークが使用されました.

主要な成果:

• 3Dフルーエンスベースのディープラーニングモデルは,GPR予測の平均絶対誤差0.58±0.21% (3%/2mm) と1.09±0.17% (2%/2mm) を達成した.
• 3Dフルーエンスモデルは,2Dフルーエンス,用量分布,または複雑性メトリックのみを使用したモデルと比較して優れたパフォーマンスを示しました.
• このモデルは,明示的な複雑性メトリックに頼らずにGPRを効果的に予測しました.

結論:

• ディープラーニングは,特に3D流動性マップを使用して,VMAT GPRを予測するための正確で効率的な方法を提供します.
• このアプローチは,放射線治療における患者特有の品質保証を合理化するための有望なツールです.
• 提案されたモデルは,VMATの全般的な治療品質と患者の安全性を向上させる可能性がある.