在线适应性放射治疗的质量保证:使用几何编码U-Net的二次剂量验证模型
Shunyu Yan1, Austen Maniscalco1, Biling Wang1
1The Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX 75390, United States of America.
Machine learning: science and technology
|October 14, 2024
概括
本研究引入了一种超快的深度学习算法,用于在线适应性放射治疗 (ART) 中的二次剂量验证. 这种新方法精确地估计了毫秒的剂量分布,提高了ART工作流程的效率和患者的安全性.
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:
- 在线适应性放射治疗 (ART) 需要快速的二次剂量验证,以确保治疗质量.
- 传统的剂量验证方法往往耗时,阻碍了ART工作流程的效率.
- 准确的剂量估计对于在适应性放射治疗期间确保患者安全至关重要.
研究的目的:
- 开发一种超快的深度学习 (DL) 算法,用于在线ART中进行二次剂量验证.
- 用计算机断层扫描 (CT) 和流动性地图 (FMs) 结合治疗输送几何学来准确估计剂量分布.
- 为了实现实时剂量验证,提高ART的效率和质量.
主要方法:
- 集成CT图像和几何学解析流动图 (FMs) 作为3DU-Net模型的输入.
- 基于多叶协同仪开口和每个门架角度的监控单元构建的FM.
- 在前列腺癌患者数据上训练并验证了DL模型,包括CT和FM卷.
主要成果:
- DL模型实现了每位患者大约50毫秒的超快剂量估计.
- 在测试患者中观察到高平均马传导率 (100%/3mm) 为99.9%±0.15%.
- 规划目标体积和有风险的器官的平均剂量差异处于可接受的临床限制内.
结论:
- 为了在ART中准确和快速估计剂量,开发了一种通过几何解析的DL框架.
- 拟议的算法显示了实时在线自适应性放射治疗剂量验证的巨大潜力.
- 这一进步可以提高适应性放射治疗的效率和质量保证.
