基于深度学习网络的放射治疗计划验证的错误检测

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:

• 强度调节辐射疗法 (IMRT) 和体积调节弧线疗法 (VMAT) 的质量保证 (QA) 需要计划验证.
• 目前分析定位剂量分布数据的方法缺乏灵敏度,阻碍准确识别计划验证失败并复杂化质量控制任务.

研究的目的:

• 开发一个深度学习模型来提取3D剂量分布图.
• 创建一个预测模型,用于对各种机器模型,治疗技术和瘤部位的放射治疗计划中的错误进行分类.

主要方法:

• 创建了五种类型的验证计划 (正常,门架错误,聚合器错误,沙发错误,剂量错误).
• 一个卷积神经网络 (CNN) 模型使用94名患者的3D剂量分布数据进行了训练.
• 模型的性能与使用不同值的马传递率 (GPR) 标准进行了评估,并在各种加速器上进行了测试.

主要成果:

• 该CNN模型实现了高性能指标:准确性 (0.907),精度 (0.925),回忆 (0.907) 和F1得分 (0.908).
• 在不同的设备上观察到类似的性能 (精度0.900,精度0.918,回忆0.900,F1得分0.898).
• 与GPR方法相比,CNN模型展示了优越的错误预测.

结论:

• 与GPR方法相比,CNN模型在放射治疗计划验证方面提供了优越的预测能力,即使在不同的设备上也是如此.
• 这种深度学习方法可以更快,更有效地检测计划验证失败,简化质量保证流程.
• 在放射治疗QA中,CNN模型是克服GPR方法的局限性的宝贵工具.