基于蒙特卡罗学者的不确定性图的可行性,以评估基于深度学习的合成CT用于自适应性质子疗法
Arthur Villanueva Galapon1, Adrian Thummerer1,2, Johannes Albertus Langendijk1
1Department of Radiation Oncology, University Medical Center Groningen, University of Groningen, Groningen, The Netherlands.
Medical physics
|November 13, 2023
概括
使用蒙特卡罗脱落 (MCD) 生成的不确定性图表显示出作为质量保证工具的承诺,用于验证在自适应性质子疗法中从MRI中衍生出的合成CT (sCT) 上的质子剂量计算.
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:
- 深度学习模型可以从MRI数据中生成合成CT (sCT) 图像,从而实现精确的质子剂量计算.
- 临床实施sCTs需要强大的质量保证 (QA) 验证工具,目前缺乏这些工具.
研究的目的:
- 为了评估不确定性的预测值,通过蒙特卡洛脱落 (MCD) 生成的地图用于验证质子剂量计算.
- 评估基于MCD的不确定性图的可靠性,用于在线自适应性质子疗法中基于深度学习的合成CT (sCT).
主要方法:
- 两种深度学习模型 (DCNN,cycleGAN) 使用MCD合成了101张CT-MR图像中的sCTs.
- 不确定性图是从每个模型的10个sCT推理中的voxel-wise HU变异得出的.
- 不确定性图与HU,范围,WET和剂量错误之间的相关性是使用Pearson系数计算的.
主要成果:
- 在两种模型中,不确定性图和HU错误之间发现了很高的相关性 (平均r ≈ 0.92).
- 在不确定性图和范围,WET和剂量错误之间观察到显著的相关性 (平均r ≈ 0.6).
- 用3%/3mm的马通道率评估的剂量计准确性超过了DCNN和cycleGAN模型的99%.
结论:
- 基于MCD的不确定性图显示了与HU,范围,WET和剂量错误的强烈相关性.
- 这些不确定性地图显示了作为一个可靠的质量保证工具的潜力,用于验证质子疗法中的基于深度学习的sCT.
