基于深度学习的精确和有效的剂量预测,用于笔束扫描质子疗法
Lian Zhang1, Jason M Holmes1, Zhengliang Liu2
1Department of Radiation Oncology, Mayo Clinic, Phoenix, Arizona, USA.
Medical physics
|September 25, 2023
概括
这项研究开发了一个准确的深度学习 (DL) 框架,用于笔束扫描质子疗法 (PBSPT) 剂量预测. 新的滑窗方法显著提高了适应性质子疗法的剂量预测准确性和效率.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 计算生物学 计算生物学
背景情况:
- 准确的剂量计算对于适应性质子疗法规划至关重要.
- 深度学习 (DL) 在光子疗法剂量预测方面表现有前途,但质子疗法的方法,特别是笔束扫描质子疗法 (PBSPT),很少.
- 由于对解剖学异质性的敏感性,PBSPT剂量预测具有挑战性.
研究的目的:
- 开发基于DL的工作流程,以准确有效地预测PBSPT的剂量.
- 支持在线自适应质子疗法中的临床决策和重新规划.
主要方法:
- 利用103名前列腺癌和83名肺癌患者的CT扫描,结构集和蒙特卡洛计算剂量.
- 我们比较了三种DL方法:传统的感兴趣区域 (ROI),光束罩和滑动窗口,使用3D-Unet的骨干.
- 使用DVH指数,3D Gamma通过率和子系数评估准确性;效率是通过计算时间来评估的.
主要成果:
- 与ROI和光束罩方法相比,滑动窗口方法显著改善了DVH指数协议和3D马通过率.
- 改善在肺癌和较低的异位剂量线上尤其显著.
- 所有剂量预测都在0.25秒内完成,显示出高效率.
结论:
- 为PBSPT剂量预测开发了一个准确和高效的DL增强框架.
- 该框架准确地预测了感兴趣区域内外的剂量分布.
- 这种方法有可能减少PBSPT中的规划和重新规划工作量.
