基于与神经网络的正子子活动分布的质子点位剂量估计

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 在质子疗法中,正子发射断层扫描 (PET) 正在探索重建质子诱导的正子活动.
• 这种技术为实时范围验证和体内剂量监测提供了潜力.
• 从PET数据中进行剂量估计的深度学习显示了引导质子疗法的前景.

研究的目的:

• 评估循环神经网络 (RNN),U-Net和变压器模型,以估计质子剂量.
• 研究模型特征,以指导对质子疗法的临床选择.
• 评估在同质和异质解剖部位的性能.

主要方法:

• 模拟的质子点束使用Geant4和来自头部外的CT图像.
• 训练有素的神经网络使用1D正子活动分布作为输入和1D剂量分布作为输出.
• 研究了训练样本大小,解剖部位和活动分布不确定性对使用MRE和ARE指标的剂量预测准确性的影响.

主要成果:

• 通过U-Net,在少数样本中证明了强大的范围验证 (75%的AREs<0.5毫米,500个样本).
• 所有模型在同质的大脑部位 (90%的AREs<0.5毫米) 的表现都比异质鼻部 (88%的AREs<3毫米) 更好.
• 变压器实现了最佳的总体剂量预测 (大脑中92%的MRE<3%,鼻中85%的MRE<5%),并且对活动分布不确定性具有强度.

结论:

• U-Net和变压器模型在质子剂量估计方面显示出明显的优势.
• U-Net 适用于射程验证,尤其是在训练数据有限的情况下.
• 变压器在总体剂量预测方面表现出色,支持其在剂量导向质子疗法中的使用.