一种基于人工神经网络的方法,用于预测笔束扫描技术的质子束点剂量特征

科学领域:

• 医学物理 医学物理
• 放射治疗 物理 物理
• 计算物理 计算物理

背景情况:

• 笔束扫描质子疗法需要精确的剂量计参数预测.
• 机器学习 (ML) 为预测这些参数提供了一个有希望的方法.
• 人工神经网络 (ANN) 非常适合在这个领域进行复杂的数据分析.

研究的目的:

• 开发和验证ANN模型,用于预测质子束点大小和相对位置错误.
• 评估ML模型在质子疗法的剂量参数预测中的准确性和效率.
• 为了提高质子疗法中常规剂量测量检查的精度.

主要方法:

• 开发了人工神经网络 (ANN) 模型,特别是多层感知器 (MLP).
• 采用了9000个质子点数据点,辐射日志文件作为输入,闪探测器测量作为标签.
• 训练模型预测六个变量:点大小 (x,y,大,小轴) 和相对位置错误 (x,y轴).
• 使用统计工具,残留组图,Q-Q图表和5倍交叉验证验证模型性能.

主要成果:

• 在ANN模型中,现场大小和位置错误的预测准确度很高.
• 对点大小 (例如,x轴为0.053毫米) 和位置错误 (例如,y轴为最大0.170毫米) 实现了低的根平均平方误差 (RMSE) 值.
• 交叉验证显示最大RMSE低于0.150毫米,R-Square为0.960,表明过拟合和偏差最小.

结论:

• 在笔束扫描质子疗法中,ANN模型提供了对剂量参数的准确预测.
• 开发的模型提高了常规剂量测量检查的效率和可靠性.
• 基于ML的光束特征预测是质子治疗质量保证的实际进步.