快速的体内EPID图像预测使用分析计算衰减和AI预测散射的组合

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:

• 电子门户成像设备 (EPID) 评估患者输出的辐射,以便在治疗过程中检测错误.
• 在体内预测EPID图像需要模拟患者解剖学和计划信息,传统上使用蒙特卡洛 (MC) 算法.
• 深度学习可以更快地预测体内EPID图像,只需要患者数据进行训练.

研究的目的:

• 评估深度学习模型的可行性和可靠性,以便在IMRT治疗中预测体内EPID图像.
• 开发一种以患者数据为导向的方法,用于体内EPID图像预测.

主要方法:

• 在活体中将EPID图像分成初级和散射光子贡献.
• 利用卷积神经网络 (CNN) 来估计散射组件,使用非传输EPID图像和CBCT投影作为输入.
• 通过93名患者的193个IMRT场和来自幻象研究的75张图像验证了该模型,通过马比较评估了准确性.

主要成果:

• 在训练,验证和测试数据集中实现的平均马通过率>92% (3%/3 mm).
• 幻影数据验证的平均马传递率为96.4% (3%/3毫米).
• 观察到较低的通过率在某些情况下归因于CBCT人工物和患者运动.

结论:

• 开发的深度学习模型可靠地生成高准确度 (>92%的马传递率) 的体内EPID图像.
• 这种人工智能驱动的方法为MC算法提供了一个快速 (30毫秒在GPU上) 的替代方案,用于治疗验证.
• 未来的应用包括检测体内治疗错误和解剖学变化,提高患者特异性的质量保证.