实时,无获取参数的voxel-wise患者特定的蒙特卡洛剂量重建在全身CT扫描中使用深度神经网络

科学领域:

• 医学物理 医学物理
• 放射疗法是一种放射治疗.
• 深度学习应用程序

背景情况:

• 精确的吸收剂量估计对于有效的放射治疗至关重要.
• 蒙特卡洛 (MC) 模拟提供了高精度,但计算密集.
• 全身CT获取提供了详细的解剖信息,用于剂量计算.

研究的目的:

• 开发和验证一种深度学习 (DL) 方法,用于从全身CT扫描生成基于voxel的吸收剂量图.
• 将DL方法的准确性和效率与传统的MC模拟进行比较.
• 评估基于DL的剂量映射对器官水平剂量估计的临床相关性.

主要方法:

• 一个残余深度神经网络 (DNN) 被训练来预测患者和扫描器特定的MC (SP_MC) 剂量图.
• 该DNN使用CT密度图和统一筒MC剂量图 (SP_uniform) 作为输入.
• 转移学习被应用于11个测试案例,使用不同的管电压和管电流调制 (TCM).
• 为了进行比较,计算了voxel-wise和器官-wise的剂量误差 (ME,MAE,RE,RAE).

主要成果:

• DL模型在预测voxel级剂量图方面取得了高准确性,对于120kVp和TCM测试集,平均误差低 (ME: -0.0302 ± 0.0244 mGy) 和平均绝对误差低 (MAE: 0.0854 ± 0.0279 mGy).
• 对器官的剂量估计也显示出合理的准确性,平均MAE为0.23 ± 0.28mGy.
• 与漫长的MC计算相比,DL方法显著减少了计算时间.

结论:

• 拟议的深度学习模型有效地从全身CT数据中生成精确的voxel级吸收剂量图.
• 该方法适用于放射治疗中的器官水平吸收剂量估计.
• DL方法提供了一个临床相关的,计算效率高的替代方案,用于个人化剂量计算的MC模拟.