虚拟预治疗 用深度学习进行体积调制弧线疗法的患者特定质量保证
S A Yoganathan1, Sharib Ahmed1, Satheesh Paloor1
1Department of Radiation Oncology, National Center for Cancer Care & Research (NCCCR), Hamad Medical Corporation, Doha, Qatar.
Medical physics
|June 28, 2023
概括
本研究引入了一种使用生成对抗网络 (GAN) 的新型深度学习方法,用于预测VMAT患者特定质量保证 (PSQA) 中的合成测量流性. 双重培训方法显著提高了准确性和错误检测能力,为虚拟VMATQA铺平了道路.
科学领域:
- 医学物理 医学物理
- 辐射治疗中的人工智能
- 医学成像中的深度学习
背景情况:
- 患者特异性质量保证 (PSQA) 对VMAT治疗至关重要.
- 目前用于PSQA的AI方法主要集中在预测马传导率 (GPR) 上.
- 需要先进的方法来预测合成测量的流性,以获得更全面的质量保证.
研究的目的:
- 开发一种新的深度学习方法,使用生成对抗网络 (GAN) 来预测合成测量流性.
- 在此背景下,评估一种新的"双重培训"方法,用于GAN.
- 开发一种模型,用于自动检测预测流动性的错误.
主要方法:
- 为循环GAN和条件GAN (c-GAN) 提出并评估了一种"双重训练"方法.
- 164个VMAT治疗计划被用于模型开发,门口-剂量-图像-预测流作为输入,EPID测量流作为输出.
- 一个单独的分类模型被开发来检测旋转,转换和MU尺度错误.
主要成果:
- 双重训练提高了周期GAN和c-GAN模型的预测准确度.
- 通过双重培训的c-GAN在预测GPR方面取得了88.5%的准确性,超过单一培训.
- 错误检测模型在旋转和转换错误方面实现了>98%的准确性,但在MU尺度错误方面遇到了困难.
结论:
- 开发了一种自动生成合成测量流度和识别错误的方法.
- 双重培训方法,特别是c-GAN,提高了PSQA预测的准确性.
- 这种深度学习框架显示了虚拟患者特定QA在VMAT治疗中的潜力.
