使用深度学习进行剂量预测和剂量模拟优化进行质子笔束扫描的自动化治疗计划
Dominic Maes1, Mats Holmstrom2, Rasmus Helander2
1Department of Radiation Oncology, University of Washington School of Medicine, Seattle, Washington, USA.
Journal of applied clinical medical physics
|June 19, 2023
概括
深度学习使用3D U-Net模型进行自动化治疗计划,生成高质量的质子笔束扫描计划. 与传统方法相比,这种机器学习方法实现了胸壁辐射的优越目标覆盖率.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 质子笔束扫描 (PBS) 提供精确的辐射传递.
- 自动化治疗计划对于优化放射治疗的效率和质量至关重要.
研究的目的:
- 研究一个深度学习架构,用于在质子PBS中自动化治疗规划.
- 评估3D U-Net模型在生成治疗计划中的有效性.
主要方法:
- 在治疗计划系统 (TPS) 中实现了一个3D U-Net模型.
- 该模型使用轮感兴趣区域 (ROI) 来预测剂量分布.
- 机器学习 (ML) 优化计划为胸壁质子PBS辐射生成.
主要成果:
- 用ML优化的计划显示了相似的剂量分配到有风险的器官 (心脏,肺,食道).
- 实现了计划目标体积 (PTV) 胸壁的优异剂量覆盖 (99.1%与97.6%相比).
结论:
- 使用3D U-Net模型的基于ML的自动化治疗规划与人为驱动的优化可比.
- 这种方法可以为质子PBS产生临床上可接受的治疗计划.
