基于深度学习的光图像校正用于高空间分辨率的精确剂量测量
Yusuke Nomura1, M Ramish Ashraf1, Mengying Shi1,2
1Department of Radiation Oncology, Stanford University, Stanford, CA 94305-5847, United States of America.
Physics in medicine and biology
|August 17, 2023
概括
一个新的深度学习模型使用光成像显著改善了辐射剂量测量. 这种先进的方法减少了噪音和文物,提高了精确的医疗应用的准确性.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 图像处理 图像处理
背景情况:
- 辐射激发光成像为2D剂量分布测量提供高空间分辨率.
- 图像质量经常受到切伦科夫光,散光和背景噪声的影响.
研究的目的:
- 开发一种新的深度学习模型来纠正光图像.
- 为了提高剂量计应用的准确性,使用纠正的光图像.
主要方法:
- 使用补充金属氧化物半导体摄像机从用光子束照射的半硫酸盐溶液中获得的光图像.
- 使用一个卷积神经网络 (CNN) 训练了预测剂量分布和光束角度.
- 采用了一种经验性的切伦科夫排放校准方法,用于角依赖.
主要成果:
- 经验性切伦科夫校准与未校准的分布相比,产生了无噪声图像.
- 该CNN模型准确地预测了预计的剂量分布,将平均绝对误差从2.02降低到0.766mm·Gy.
- 与传统方法相比,CNN校正导致了更高的马指数通过率.
结论:
- 基于深度学习的方法显著提高了辐射剂量分布测量的准确性.
- 这种技术显示了在其他成像方式中光学信号无色化和切伦科夫光的歧视的潜力.
- 开发的方法为放射治疗提供了高分辨率,准确的剂量验证工具.
