关注时间解析的EPID图像:使用变压器多实例学习的处理错误分类.
Viacheslav Iarkin1, Evelyn E C de Jong1, Rutger Hendrix2
1Department of Radiation Oncology (Maastro), GROW Research Institute for Oncology and Reproduction, Maastricht University Medical Centre+, Maastricht, The Netherlands.
Physics in medicine and biology
|July 31, 2024
概括
本研究介绍了一种基于人工智能的实时放射疗法剂量测量方法,使用时间解析数据. 新的方法准确地分类治疗错误,改善外部光束辐射治疗质量.
科学领域:
- 医学物理 医学物理
- 医疗保健中的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 目前使用值的放射治疗错误分类方法可能会因为数据压缩而错过错误.
- 电子门户成像设备 (EPID) 数据的时间集成 (TI) 分析显示出有希望的结果,但可以在动态处理过程中掩盖错误.
- 手动分析复杂的,大量的时间解析 (TR) 剂量数据对于临床决策是不切实际的.
研究的目的:
- 开发一种人工智能辅助的体内剂量测量方法,使用时间解析 (TR) 剂量验证数据.
- 通过增强错误检测,提高外部光束放射治疗的质量和准确性.
- 通过使用TR马图来克服TI数据分析的局限性,以便更精确地进行错误分类.
主要方法:
- 开发了一种基于变压器的多实例学习方法,其灵感来自弱监督的方法.
- 利用转移学习,调整模型从TI到TR的马图.
- 对每个体积调节弧线放射治疗角度进行模拟的TR马图,以检测复杂的治疗错误.
主要成果:
- 人工智能模型在分类处理错误方面取得了很高的准确性.
- 在测试组中,在11种错误类型中达到0.94的准确性,在22种错误大小类别中达到0.81的准确性.
- 与使用TI数据进行错误分类的模型相比,表现出更高的性能.
结论:
- 开发的AI模型有效处理复杂的TR剂量数据,显著改善治疗错误分类.
- 这种TR剂量测量方法增强了放射治疗的决策能力.
- 该方法为大型TR数据集的手动分析不切实际提供了可行的解决方案.
