对线性回归和LSTM运动预测模型的实验比较,用于MLC跟踪在MRI-linac上

科学领域:

• 医学物理 医学物理
• 放射治疗技术的辐射治疗技术
• 机器学习在医疗保健中的应用

背景情况:

• 磁共振成像 (MRI) 导向放射治疗与多叶合仪 (MLC) 追踪提供精确的瘤向和高剂量合规性.
• 管理分数内运动对于治疗疗效至关重要,并且需要尽量减少系统延迟.
• 时间预测模型对于在放射治疗期间实时改善光束-目标对齐至关重要.

研究的目的:

• 实验性比较线性回归 (LR) 和长短期记忆 (LSTM) 运动预测模型,用于MLC跟踪MRI-linac.
• 用不同复杂度的各种患者衍生的呼吸运动痕迹来评估模型性能.
• 评估持续的模型再优化在缓解系统延迟方面的有效性.

主要方法:

• 实验使用了一种原型1.0 T MRI-linac,具有MLC跟踪能力.
• 用运动幻影模拟患者特定的呼吸运动痕迹.
• 测试了四种预测模型:离线LSTM,离线+在线LSTM,在线LR和没有预测器的基线.
• 通过EPID测量目标和MLC光圈位置之间的平方根平均误差 (RMSE) 评估了预测器的性能.

主要成果:

• 系统的端到端延迟测量为389 ± 15毫秒,并通过LR和LSTM模型有效地减少.
• 线下+线上LSTM模型在所有运动轨迹中表现出卓越的性能,达到2.8 ± 1.3mm的RMSE中位数.
• 与其他模型相比,观察到线下+在线LSTM的统计学显著改善 (p < 0.05),除了线下LSTM与在线LR的比较.
• 线下+线上LSTM表现出更高的可重现性,在重复测量之间最大RMSE偏差为10%.

结论:

• 这项研究提供了使用患者呼吸运动数据进行MRI引导的MLC跟踪预测模型的首次实验比较.
• 持续重新优化的LSTM网络显示出在MLC跟踪的MRI导向放射治疗中解决系统延迟的最有希望的方法.
• 这些发现突显了先进的人工智能模型在图像引导放射治疗中提高精度和减少错误的潜力.