一种基于深度学习的剂量计算方法,用于体积调制弧线治疗
Bin Liang1, Wenlong Xia1, Ran Wei1
1Department of Radiation Oncology, National Clinical Research Center for Cancer/Cancer Hospital, National Cancer Center, Chinese Academy of Medical Sciences and Peking Union Medical College, 17 Panjiayuannanli Rd., Chaoyang Dist, Beijing, 100021, China.
这项研究引入了一种深度学习方法,用于更快的体积调制弧线疗法 (VMAT) 剂量计算. 人工智能模型显著减少了计算时间,同时保持了用于VMAT规划的准确剂量分配.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 由于众多的代参数,体积调制弧形疗法 (VMAT) 规划需要经常重新计算剂量.
- 目前VMAT中的剂量计算方法是计算密集的,阻碍了优化效率.
研究的目的:
- 使用深度学习开发VMAT的快速和准确的剂量计算方法.
- 通过减少剂量计算时间来加快VMAT规划优化过程.
主要方法:
- 通过使用投射流动性地图,CT图像,放射性深度和源到voxel距离,训练了一个3D UNet深度学习模型.
- 该模型学习了剂量计算物理,治疗计划系统 (TPS) 计算的剂量作为基本事实.
- 51个头部和部VMAT计划被用于培训,验证和测试.
主要成果:
- 深度学习方法实现了与TPS计算相比的剂量分布,在各种标准中平均马传递率高于96%.
- 网络衍生剂量比TPS剂量更顺,但在临界剂量指数中没有显著差异.
- 计算时间减少了大约六分之一,从每名患者的95.60秒 (TPS) 降至16.51秒 (网络).
结论:
- 基于深度学习的剂量计算方法与TPS计算有很好的一致性.
- 计算时间的显著减少突显了其对VMAT规划优化的潜力.
- 这种人工智能方法为提高放射治疗规划效率提供了一个有希望的解决方案.
更多相关视频
08:34Proton Therapy Delivery and Its Clinical Application in Select Solid Tumor Malignancies
Published on: February 6, 2019
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
相关概念视频
Dose Size and Dosing Frequency: Determination Methods
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
