基于深度学习的voxel采样用于粒子疗法治疗计划.
A Quarz1,2, L Volz1, C Hoog Antink2
1Biophysics Department, GSI Helmholtzzentrum für Schwerionenforschung, Darmstadt, Germany.
Physics in medicine and biology
|June 25, 2024
概括
一个新的深度学习模型通过选择更少的voxels显著减少扫描粒子治疗计划的计算时间. 这种人工智能方法提高了重离子处理的效率,对计划质量的影响最小.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 扫描粒子治疗的计划是计算密集的,特别是对于重离子,因为相对生物有效性是可变的.
- 目前用于治疗优化的voxel选择策略通常需要手动输入,缺乏效率.
研究的目的:
- 开发和验证一种新的深度学习模型,用于优化扫描粒子治疗规划中的voxel选择.
- 提高计算效率,减少治疗规划时间,而不影响计划质量.
主要方法:
- 基于P-Net的深度学习模型被设计为自动,最佳的voxel采样.
- 该模型在70个接受碳离子治疗的头患者计划上进行了训练和测试,利用AI基础设施.
- 实现了自定义的损失函数,以平衡采样密度和voxel减少.
主要成果:
- 人工智能模型将voxels的数量减少了84.8%的中位数,计划质量损失不到1%.
- 完整的人工智能选择模型的优化时间减少了7.5倍.
- 一个针对性的模型减少 voxels 在目标中仅实现了 71.6% 的减少与 0.5% 的质量损失.
结论:
- 拟议的深度学习的voxel采样技术显著减少了扫描粒子治疗中的计算时间.
- 这种方法在计划质量上的损失可以忽略不计,使其适合复杂的治疗和未来的实时适应策略.
