基于单能CT的质量密度和相对停止功率估计,用于使用深度学习方法进行质子疗法

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:

• 质子疗法需要准确的患者特异性质量密度和相对制动功率 (RSP) 地图来计算剂量.
• 目前使用单能计算机断层扫描 (SECT) 的方法的剂量计算不确定性为2.5%-3.5%,加上1毫米的差距.
• 在SECT数据上通过深度学习 (DL) 提高质子剂量计算精度是重要的研究领域.

研究的目的:

• 从临床单能CT (SECT) 数据开发和评估一种深度学习 (DL) 方法,用于从临床单能CT (SECT) 数据中生成准确的质量密度和相对制动功率 (RSP) 地图.
• 在质子疗法治疗规划中提高质子剂量计算的精度.

主要方法:

• 利用人工神经网络 (ANN),全卷积神经网络 (FCNN) 和残余神经网络 (ResNet) 来学习SECT CT数量 (HU) 和材料特性之间的关系.
• 采用静态测量校准方法和双能CT (DECT) 实证模型作为性能评估的参考方法.
• 通过使用CIRS 062M电子密度幻影的SECT图像进行训练的DL模型,并在CIRS人形幻影M701和M702上进行测试.

主要成果:

• 在M701幻影机上,FCNN模型在质量密度和RSP图表上实现了明显较低的平均绝对百分比误差 (MAPE),而不是在M701幻影机上使用的SECT立体测量方法.
• 对于质量密度,FCNN实现了从0.39%到1.57%的MAPE,而SECT方法则产生了从0.99%到12.96%的MAPE.
• 对于RSP地图,FCNN实现了从0.75%到2.32%的MAPE,超过了SECT参考模型的0.95%到8.62%的MAPE.

结论:

• 深度学习神经网络显示出产生精确的voxel特定材料属性信息的强大潜力,这对于质子疗法至关重要.
• 与传统方法相比,拟议的基于DL的框架在从SECT数据中估计质量密度和RSP时提供了更高的准确性.
• 这一进步可以导致更精确的质子剂量计算和增强的治疗计划在质子疗法.