探索深度学习以估计来自小鼠肠道组织学图像的FLASH辐射的同效剂量

科学领域:

• 辐射瘤学 辐射瘤学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 与常规剂量率 (CONV) 照射相比,超高剂量率 (FLASH) 照射在减少正常组织损伤方面显示出前景.
• 量化FLASH辐射的生物效应对于其临床转化至关重要.

研究的目的:

• 开发一种深度学习 (DL) 方法,使用辐射后小鼠肠道组织学量化FLASH异效剂量.
• 为了比较DL模型的准确性与传统的密码计数 (CC) 方法.

主要方法:

• 基于ResNet101的DL模型被训练在接受CONV辐射的小鼠的组织学图像上.
• 根据组织学特征,DL模型估计了剂量,其准确性与CC方法进行了评估.
• 经过验证的DL模型应用于FLASH辐射数据,以确定同效剂量.

主要成果:

• 与CC方法 (0.40 Gy2) 相比,DL模型在估计基于组织学的CONV剂量方面取得了更高的准确性 (0.20 Gy2).
• 对FLASH照射 (12-16 Gy) 估计的单效剂量始终低于物理剂量,表明生物效应降低.

结论:

• 开发的DL模型从组织学上准确估计CONV剂量,使FLASH照射的有效剂量量定量成为可能.
• 结果表明,FLASH辐射在小鼠阴中具有较低的生物同效剂量,与其物理剂量相比.
• 这种DL方法为研究辐射剂量变化及其生物学影响提供了有价值的工具.