用深度神经网络进行IMRT的基于EPID的实时3D体内剂量测量:可行性研究
Juliana Cristina Martins1, Joscha Maier2, Chiara Gianoli1
1Department of Medical Physics, Faculty of Physics, Ludwig-Maximilians-Universität München, Am Coulombwall 1, Garching b. München, 85748, Germany.
概括
深度剂量估计 (DDE) 神经网络使用患者CT和EPID信号准确预测3D辐射剂量分布,在几秒钟内达到蒙特卡罗 (MC) 精度. 这一进步可以实现更快,实时的体内剂量测量,以改善患者治疗.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 精确的3D剂量预测对于放射治疗至关重要.
- 像蒙特卡洛 (MC) 模拟这样的当前方法是计算密集的.
- 电子门户成像设备 (EPID) 提供实时信号采集.
研究的目的:
- 评估深度剂量估计 (DDE) 神经网络,用于预测3D剂量分布.
- 使用EPID信号和CT数据实现MC准确性.
- 为了实现快速,实时的体内剂量测量.
主要方法:
- 使用患者CT和第一阶段剂量近似值 (FOD) 训练了一个DDE神经网络.
- 使用MC模拟的准确剂量分布 (ADD) 作为训练目标.
- 在测试和横向数据集上使用马分析 (3%,2毫米) 验证了DDE性能.
主要成果:
- 在测试组中,DDE的合格率达到了97%以上,远远超过FOD (46%).
- DDE证明了侧向光束方向的准确性得到了改善.
- DDE预测剂量分布在0.6秒/子场 (GPU),与MC的14小时相比.
结论:
- DDE神经网络有效地将FOD转换为ADD,其精度类似于MC.
- 通过DDE快速预测剂量,可以实现实时体内剂量测量.
- 这项技术有可能改善放射治疗治疗验证.
