通过机器学习和日志文件分析评估笔光束扫描质子疗法光束传递精度
Ranjith C P1, Mayakannan Krishnan2, Vysakh Raveendran3
1Department of Medical Physics, Centre for Interdisciplinary Research, D. Y. Patil Education Society (Deemed to be University), Kolhapur, Maharashtra, India; Department of Radiation Oncology, Advanced Centre for Treatment Research and Education in Cancer, Homi Bhabha National Institute, Mumbai, Maharashtra, India.
概括
使用机器学习 (ML) 模型和日志文件的自动化质量保证 (QA) 准确评估了笔束扫描 (PBS) 质子疗法交付. 这种方法确保了光束的准确性,并为例行质量保证和适应性治疗提供了更快的替代方案.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 机器学习应用 机器学习应用
背景情况:
- 质量保证 (QA) 对复杂的质子疗法输送系统至关重要.
- 笔光束扫描 (PBS) 需要强大的协议来确保处理的准确性.
- 自动化质量保证流程对于现代放射治疗的效率和可靠性至关重要.
研究的目的:
- 开发和验证一种自动化方法,用于评估PBS质子疗法中的光束传递精度.
- 使用机器学习 (ML) 模型来分析辐射日志文件和预测光束参数.
- 通过使用自动化质量保证协议,评估现场位置,尺寸和监控单元 (MU) 交付的准确性.
主要方法:
- 对935个临床治疗和常规QA照射日志文件的分析.
- 应用ML模型来预测沿主要和次要轴 (X,Y) 的点大小.
- 内部脚本用于自动日志文件分析和预测与基线现场参数的比较.
主要成果:
- 超过99.5%的点位在1mm以内准确.
- 机器学习模型在预测点位大小时达到>95%的准确性,比基线的10%不超过.
- 斑点对称度在10%以内,95%的斑点显示MU精度在2%以内.
结论:
- 自动化质量保证方法有效验证光束传递系统.
- 这种方法是适应性治疗中患者特异性质量保证的快速替代方案.
- 该方法适用于常规QA点位参数评估,提高效率.
