改进深度学习预测模型的患者特异性质量保证VMAT与MLC叶子位置图和患者的剂量分布的患者的QA
Ryota Tozuka1, Noriyuki Kadoya1, Seiji Tomori2
1Department of Radiation Oncology, Tohoku University Graduate School of Medicine, Sendai, Miyagi, Japan.
Journal of applied clinical medical physics
|June 1, 2023
概括
一个新的深度学习模型利用多叶合器 (MLC) 叶子位置图和患者CT剂量分布,准确地预测放射治疗的马传递率. 这种虚拟的患者特异性质量保证 (QA) 方法提高了与仅使用剂量数据的模型相比的预测准确性.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 在放射治疗中,患者特定的质量保证 (QA) 对于治疗准确性至关重要.
- 使用深度学习的现有虚拟QA方法可以通过优化输入数据来增强.
- 多叶合器 (MLC) 的叶子位置信息和剂量分配是放射治疗规划中的关键参数.
研究的目的:
- 开发和评估深度学习模型,用于放射治疗中的虚拟患者特定质量保证.
- 为了研究使用多叶合器 (MLC) 信息每控制点和患者CT剂量分布作为预测马传递率 (GPR) 的输入数据的有效性.
- 将这种新型模型的性能与仅使用剂量分布数据的模型进行比较.
主要方法:
- 开发了一个深度学习模型 (Model 1),包括MLC叶状位置图 (MLPM) 和患者CT剂量分布.
- 使用96个体积调制的前列腺癌弧线治疗计划来训练和评估模型.
- 评估模型性能使用平均绝对误差 (MAE) 和皮尔森相关系数 (r) 在2%/2毫米和3%/3毫米的标准.
- 将模型1与仅使用患者CT剂量分布 (模型2) 的模型进行比较,并在虚拟幻影CT (模型3) 上重新计算剂量.
主要成果:
- 模型1在2%/2毫米和3%/3毫米的标准中实现了最低的MAE和最高的r.
- 在2%/2毫米,模型1显示MAE为2.32%±0.43%和r为0.54±0.03.
- 在3%/3毫米,模型1显示MAE为1.25%±0.05%和r为0.36±0.18.
- 模型2和模型3呈现出更高的MAE和更低的r值,表明预测准确性较差.
结论:
- 结合MLPM和患者CT剂量分配的深度学习模型显著改善了GPR预测性能.
- 与现有模型相比,这种方法提供了一个更准确的虚拟患者特定质量保证方法.
- 这些发现支持使用详细的MLC定位数据用于增强放射治疗QA.
