基于MR-Linac的前列腺IMRT计划的基于UNet的深度学习剂量引擎的性能评估

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 基于UNet的深度学习 (DL) 架构显示出对线性加速器 (Linac) 模型的剂量引擎的希望.
• 现有的研究使用多种策略,阻碍了基于UNet的引擎性能公平比较.
• 磁共振 (MR) -Linac系统需要精确的剂量计算强度调节辐射疗法 (IMRT).

研究的目的:

• 综合评估各种基于UNet的DL模型的性能,用于MR-Linac IMRT剂量计算.
• 使用一致的输入数据和环境,建立不同UNet架构的标准化比较.
• 在MR-Linac治疗规划中评估DL模型的准确性和计算效率.

主要方法:

• 实施并测试了六种基于UNet的模型:标准UNet,级联UNet,密度扩展UNet,残余UNet (Res-UNet),高清UNet和注意力意识UNet.
• 用患者CT和IMRT在水中的野外剂量作为输入,生成患者剂量输出.
• 将DL计算的剂量与摩纳哥蒙特卡罗 (MMC) 计算作为参考标准进行比较,使用马分析以获得准确性和推断时间以获得效率.

主要成果:

• 所有评估的UNet模型都准确地将水中的低精度剂量转换为MR-Linac磁场内的高精度患者剂量.
• 马分析显示所有模型的高通过率:>86% (1%/1毫米),>98% (2%/2毫米) 和>99% (3%/3毫米).
• 推理时间差异很大 (在GPU上为0.03秒,在CPU上为7.5秒),Res-UNet显示了最高的准确性,而标准-UNet是最快的推理.

结论:

• 基于UNet的DL模型可用于MR-Linac IMRT剂量计算.
• 模型选择取决于与可用的计算资源平衡准确性要求.
• 本研究为MR-Linac应用在一致条件下的UNet模型性能提供了公平的评估.