一种基于机器学习的全自动化方法,用于在胸部和腹部CT中进行个性化辐射剂量评估
Eleftherios Tzanis1, John Stratakis1, Marios Myronakis1
1Department of Medical Physics, School of Medicine, University of Crete, P.O. Box 2208, Heraklion, Crete 71003, Greece.
概括
一种新的机器学习方法为胸部和腹部CT扫描提供了快速而准确的患者特定辐射剂量测量. 与传统方法相比,这种方法显著减少了计算时间,提高了放射治疗规划的效率.
科学领域:
- 医学物理 医学物理
- 放射疗法是一种放射治疗.
- 机器学习 机器学习
背景情况:
- 准确的患者特异性剂量测量对于有效的放射治疗至关重要.
- 传统的蒙特卡洛 (MC) 剂量计是耗时且计算密集的.
- 在CT成像中开发有效的剂量估计方法至关重要.
研究的目的:
- 开发和验证基于机器学习 (ML) 的方法,用于胸部和腹部CT的患者特定辐射剂量测量.
- 创建一个深度神经网络 (DNN),能够预测器官剂量.
- 与MC模拟相比,评估ML方法的准确性和时间效率.
主要方法:
- 追溯收集331个胸腔腹腔放射治疗规划CT扫描,用于细分模型的开发.
- 采购97个胸部和89个腹部诊断CT扫描,用于剂量计模型培训.
- 在诊断CT上进行个性化MC剂量测量,数据用于训练剂量预测DNN.
- 开发一种算法,利用训练有素的模型来估计患者特定器官的剂量.
主要成果:
- 与MC模拟相比,基于ML的DNN在各种器官 (肺,肝脏,脏,胃,脏) 中实现了5.5-7.9%的平均百分比剂量差异.
- 统计分析显示,DNN和MC剂量估计之间没有显著差异 (p=0.12).
- 与基于MC的剂量计相比,拟议的工作流显示处理时间减少了99%.
结论:
- 开发的ML方法使得胸部和腹部CT的快速和准确的患者特定剂量测量成为可能.
- 这种方法可以显著提高放射治疗计划的效率.
- 这些发现支持ML用于个性化辐射剂量计的临床实用性.
