使用DenseNet与日志文件预测IMRT3D剂量传递精度的可行性研究
Ying Huang1,2,3, Ruxin Cai3, Yifei Pi4
1Institute of Modern Physics, Fudan University, Shanghai, China.
Journal of X-ray science and technology
|May 3, 2024
概括
这项研究表明,DenseNet模型可以使用交付日志文件预测强度调制放射治疗 (IMRT) 质量保证的3D马通过率 (GPRs). 该模型有望提高IMRT剂量验证的准确性和效率.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 医疗保健中的机器学习
背景情况:
- 强度调节辐射疗法 (IMRT) 需要严格的质量保证 (QA) 才能准确地输送剂量.
- 三维 (3D) 马分析是IMRTQA的标准方法,但可能耗时.
- 来自IMRT交付的日志文件包含了丰富的数据,这些数据可能可以用于更快的QA.
研究的目的:
- 调查使用深度学习模型DenseNet的可行性,以建立IMRT的3D马预测模型.
- 直接从机器日志文件中预测马传递率 (GPR),绕过传统的耗时分析.
- 评估该预测模型对患者特定质量保证的准确性和效率.
主要方法:
- 使用55个IMRT计划 (367个字段) 开发了一个DenseNet模型.
- 收集了日志文件,其中包含廊角度,监视单元 (MU),多叶合器 (MLC) 和下巴位置.
- 日志文件被转换成MU加权流动图作为输入,GPR在四个马标准 (3%/3mm,3%/2mm,2%/3mm,2%/2mm) 作为输出.
主要成果:
- 3D GPR预测模型显示了准确性,平均绝对误差 (MAE) 从1.41到3.54不等,根平均平方误差 (RMSE) 从1.85到4.40不等.
- 在预测和测量的GPR之间发现了显著的相关性 (P < 0.01).
- 在验证和测试组之间,模型准确性是可比的,在高GPR组中更高.
结论:
- 通过使用DenseNet和日志文件数据,成功建立了针对患者特定的IMRT QA的3D GPR预测模型.
- 该模型显示了作为辅助工具的潜力,以提高IMRT剂量验证的准确性和效率.
- 这些发现表明,一种可行的方法可以实现快速而可靠的IMRT QA.
