对1.5 T磁共振引导线性加速器的基于深度学习的马传递率预测系统的评估

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 医疗保健中的人工智能

背景情况:

• 在线自适应磁共振成像指导放射治疗 (oMRgRT) 的患者特定质量保证 (QA) 是具有挑战性的,因为无法在病人在沙发上进行基于测量的验证.
• 传统的质量保证方法耗时,对于需要快速调整计划的适应性治疗可能是不可行的.

研究的目的:

• 评估一种深度学习 (DL) 系统,用于预测oMRgRT中的马通过率 (GPR).
• 评估DL模型的准确性和适用性,用于以Elekta Unity治疗的前列腺癌患者的参考计划 (RP) 和适应计划 (AP).

主要方法:

• 一个卷积神经网络 (CNN) 使用75个RPs开发和训练,并在接受oMRgRT的前列腺癌患者的25个RPs上进行了测试.
• 通过使用25个AP进一步评估DL模型的GPR预测准确性,评估9个马标准对 (1%/1毫米到3%/3毫米) 的性能.
• 记录了DL模型的预测时间,并计算了平均绝对误差 (MAE) 和相关系数 (r) 等性能指标.

主要成果:

• DL模型展示了快速GPR预测的潜力,预测时间低于3秒.
• 对于RP,MAE范围从1.22 ± 0.27% (3% / 2毫米) 到3.62 ± 0.55% (1% / 1毫米),相关系数 (r) 在0.29 ± 0.10和0.32 ± 0.14之间.
• 对于APs,MAE范围从1.13 ± 0.33% (3% / 2毫米) 到5.08 ± 0.29% (1% / 1毫米),相关系数 (r) 在0.15 ± 0.10和0.35 ± 0.22之间.

结论:

• 开发的基于DL的模型显示了oMRgRT QA中的实时GPR预测的前景.
• 这种人工智能方法可以显著加快适应性放射治疗的质量保证过程,特别是在Elekta Unity系统上.
• 需要进一步验证,但DL模型为oMRgRT的基于测量的QA的局限性提供了潜在的解决方案.