基于深度学习的合成剂量加权LET地图生成用于强度调制质子疗法
Yuan Gao1, Chih-Wei Chang1, Shaoyan Pan1,2
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, GA, United States of America.
Physics in medicine and biology
|December 13, 2023
概括
质子疗法提供了优势,但在考虑可变的生物有效性方面面临着挑战. 这项研究引入了一个深度学习模型来预测剂量-平均线性能量转移 (LETd) 地图,改善质子疗法规划.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 质子疗法的布拉格峰值增强了瘤向,但目前的规划忽略了可变相对生物有效性 (RBE).
- 在临床实践中固定的RBE为1.1不考虑质子RBE的变化,影响治疗精度.
- 精确的剂量-平均线性能量转移 (LETd) 计算对于优化质子疗法至关重要,但在计算上是密集的.
研究的目的:
- 开发和验证一个深度学习框架,用于从剂量分布图中预测LETd分布图.
- 简化和加快用于临床质子疗法规划的LETd地图的生成.
- 通过更好地纳入可变RBE效应,提高质子疗法的准确性.
主要方法:
- 使用CycleGAN模型开发了一个深度学习框架,用于从剂量图中预测LETd图.
- 模型的性能被使用诸如平均绝对误差 (MAE),峰值信号对噪声比 (PSNR) 和规范交叉相关性 (NCC) 等指标来评估.
- 在临床目标体积,膀和直肠内进行了验证,以评估临床相关性.
主要成果:
- 拟议的CycleGAN模型在预测LETd地图方面取得了很高的准确性,总体MAE为0.096 ± 0.019 keV/μm.
- 该模型表现出了出色的性能,PSNR为24.203 ± 2.683 dB,NCC为0.997 ± 0.002.
- 在关键结构中的特定MAE值为0.193 ± 0.103 keV/μm (临床目标体积),0.277 ± 0.112 keV/μm (膀) 和0.211 ± 0.086 keV/μm (直肠).
结论:
- 深度学习框架成功地从剂量图生成合成的LETd地图,证明了临床应用的可行性.
- 这种方法有可能通过提供快速准确的LETd信息来显著改善质子疗法规划.
- 这些发现支持整合人工智能驱动的工具,以提高质子疗法治疗的精度和有效性.
更多相关视频
08:34Proton Therapy Delivery and Its Clinical Application in Select Solid Tumor Malignancies
Published on: February 6, 2019
20.4K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.8K
