基于分支架构的神经网络模型,用于体积调节弧治疗的质量保证

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 医疗保健中的人工智能

背景情况:

• 辐射治疗质量保证 (QA) 对于验证剂量输送的准确性至关重要.
• 目前的质量保证方法在运行速度和精度方面存在局限性.

研究的目的:

• 开发一种先进的QA神经网络模型,以克服现有方法的局限性.
• 为了提高放射治疗剂量输送验证的准确性和效率.

主要方法:

• 设计了一种使用分支架构的新型QA神经网络模型.
• 该模型分析了QA复杂度指标的类别特征,以改进提取.
• 提取的分支特征被融合在一起,以预测通用派顿分布 (GPR) 以提高QA.

主要成果:

• 与现有的质量保证方法相比,拟议的模型显示出更高的预测性能.
• 测试组的平均预测误差为2.12% (2%/2毫米),1.69% (3%/2毫米) 和1.30% (3%/3毫米).
• 三分之二的验证样本显示模型预测的表现优于临床评估.

结论:

• 开发的QA神经网络模型显著提高了剂量输送验证的准确性.
• 该模型的性能表明其作为一个有价值的工具来帮助临床物理学家的潜力.
• 这种人工智能驱动的方法在辐射治疗质量保证方面提供了有前途的进步.