基于深度学习的检测和分类在体积调节辐射治疗中的多叶合器建模错误
Sae Nakamura1, Madoka Sakai2,3, Natsuki Ishizaka4
1Department of Radiation Oncology, Niigata Neurosurgical Hospital, Nishi-ku, Niigata City, Niigata, Japan.
Journal of applied clinical medical physics
|August 26, 2023
概括
深度学习模型可以在VMAT中检测和分类多叶合器 (MLC) 建模错误,但准确性因错误大小和处理地点而异. 马分析对于错误检测是无效的.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 人工智能在医学中的应用
背景情况:
- 卷度调节辐射疗法 (VMAT) 依赖于精确的多叶合器 (MLC) 建模参数.
- 传输因子 (TF) 和剂量计叶间隙 (DLG) 等MLC参数中的错误可能会影响治疗的准确性.
- 准确检测这些错误对于患者安全和有效的癌症治疗至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于检测和分类MLC建模参数错误 (TF和DLG) 在VMAT.
- 评估DL模型在区分无错计划和具有特定TF或DLG错误的计划方面的性能.
- 调查模型对TF和DLG错误的标志 (正或负) 的分类能力.
主要方法:
- 在一个幻象研究中,利用33个临床VMAT计划治疗前列腺癌和头癌.
- 在治疗计划系统中引入了TF和DLG参数的人工错误 (±10%,20%,30%).
- 应用了高斯过器来模拟测量剂量图,并为DL模型培训和评估生成了剂量差异图.
主要成果:
- 对于某些过器类型 (),DL模型成功检测和分类TF和DLG错误,准确度很高.
- 对于其他过器类型 (),准确性显著下降,并根据错误大小和处理地点而异.
- 模型准确地对特定过器类型 ( 和1.0) 的错误标志进行了分类,而马分析无法检测错误.
结论:
- 深度学习模型提供了一种可行的方法来检测和分类VMAT剂量分布中的TF和DLG错误.
- 模型性能受错误大小,治疗地点和模拟测量剂量的程度的影响.
- 进一步的研究可以完善DL模型,以便在临床VMAT应用中进行可靠的错误检测.
