机器学习方法用于使用实时提示性马成像与康普顿摄像机进行质子范围验证:解决总储存能量信息差距

科学领域:

• 医学物理 医学物理
• 核仪器仪表 核仪器仪表 核仪器仪表
• 机器学习应用 机器学习应用

背景情况:

• 质子疗法需要精确的范围验证才能有效治疗.
• 康普顿摄像机提供了实时监控质子束的潜力.
• 提高快速马 (PG) 能量估计对于康普顿相机的性能至关重要.

研究的目的:

• 评估一款机器学习模型,以改善康普顿摄像机在质子疗法中的成像.
• 增强快速的马 (PG) 能量重建,以更好地验证质子束范围.
• 用Geant4模拟和闪闪发光的纤维康普顿摄像机来评估模型的性能.

主要方法:

• 使用多层感知子 (MLP) 神经网络进行康普顿事件识别和PG能量估计.
• 使用Geant4.4与聚甲基甲基酸盐 (PMMA) 目标模拟的质子束相互作用.
• 开发了一种MLP能量回归模型,以补偿康普顿事件中不完全的能量沉积.

主要成果:

• 通过使用训练有素的MLP,实现了信号与总比率的三倍增加.
• 通过准确预测总储存能量,成功地弥补了全能PG的损失.
• 在确定质子束远距离落差和检测目标位移方面表现得更好.

结论:

• 开发的机器学习方法显著提高了用于质子疗法的康普顿摄像机性能.
• 这种方法显示了在临床环境中在线质子范围监测的巨大潜力.
• 精确的PG能量重建是推动康普顿相机在放射治疗中的应用的关键.