在基于ResNet的放射治疗期间预测患者特定QA的错误大小

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 放射治疗质量保证 (QA) 依赖于准确的患者特异剂量测量来评估治疗计划的交付.
• 错误大小的预测对于评估放射治疗计划的准确性至关重要.
• 之前的研究还没有探索深度学习来预测放射治疗输送误差大小.

研究的目的:

• 开发和评估深度学习模型,特别是ResNet,用于预测各种放射治疗输送错误的规模.
• 评估使用深度学习来量化强度调制放射治疗 (IMRT) 错误的可行性.

主要方法:

• 利用了34个乳腺癌IMRT计划 (172个领域),其中30个计划用于培训/验证,4个用于测试.
• 引入了特定的交付错误:聚合器错位 (COLL),监控单元变化 (MU),随机多叶聚合器转移 (MLCR) 和系统的MLC转移 (MLCS).
• 使用不同输入组合的ResNet (剂量差异,玛分布,参考剂量分布 + 错误引入剂量分布) 来预测错误大小.

主要成果:

• 对于错误类型实现了高预测准确度:98.36% (剂量差异),98.91% (马分布) 和100% (RDD+EDD).
• 在所有错误类型中,特别是RDD+EDD输入 (RMSE:0.15-0.24,MAE:0.11-0.18) 中,证明了低根平均平方误差 (RMSE) 和平均绝对误差 (MAE).
• 已建立的基于ResNet的模型用于预测COLL,MU,MLCR和MLCS的错误大小.

结论:

• 成功开发了基于ResNet的模型,用于预测放射治疗输送误差大小.
• 这些模型为不同类型的错误提供了准确的预测,为患者特定的QA提供了有价值的见解.
• 这种深度学习方法可以提高放射治疗计划交付准确性的评估.