用蒙特卡洛算法与3D Swin-Unet相结合的放射治疗剂量计算的概括:一个多机构的IMRT评估评估
Bailin Zhang1, Yongdong Zhuang2, Yinghui Li3
1The Second Affiliated Hospital of Guangzhou University of Chinese Medicine, Guangzhou, Guangdong 510006, People's Republic of China.
Physics in medicine and biology
|October 12, 2023
概括
深度学习剂量计算 (T-MC净) 显示了多个机构强度调节放射治疗计划的高准确性和效率. 这种方法保持了蒙特卡洛精度,为临床放射治疗应用提供了潜力.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 在剂量测量中的深度学习.
背景情况:
- 精确的剂量计算对于有效的放射治疗至关重要.
- 深度学习为提高剂量计的计算精度和效率提供了潜力.
- 在临床剂量计算中评估深度学习概括是必不可少的.
研究的目的:
- 评估深度学习剂量计算方法 (T-MC net) 在临床实践中的通用性.
- 将T-MC净业绩与各种IMRT计划和机构的蒙特卡洛 (MC) 算法基准进行比较.
主要方法:
- 分析了来自四个机构的60个强度调节放射治疗 (IMRT) 计划.
- 与剂量分配和DVH的MC算法结果对比,对T-MC净计算进行了基准测试.
- 对于PTV和OARs,计算了马通过率 (GPR),同意率 (PA) 和剂量差异比率 (DDR).
主要成果:
- 在全身剂量分布方面,获得了高的GPR (例如,3%/3mm的99.62%) 和PA (97.80%).
- 对于规划目标体积 (PTV),GPR达到98.90% (3%/3毫米),PA为98.93%.
- 在所有评估指标中,平均剂量差异比率 (DDR) 保持在1.4%以下.
结论:
- 拟议的深度学习框架 (T-MC net) 显示了高精度和计算速度,与MC方法相比.
- 对于IMRT计划,T-MC网络在不同的人体区域和多个机构之间显示出出色的概括性.
- 这种深度学习方法具有很大的潜力,可以作为治疗计划,适应性放射治疗和剂量验证的有效剂量算法.
