从使用卷积神经网络的二维EPID图像数据重建in-vivo患者3D剂量分布的可行性
Ning Gao1, Bo Cheng1, Zhi Wang2
1School of Nuclear Science and Technology, University of Science and Technology of China, Hefei, People's Republic of China.
Physics in medicine and biology
|December 19, 2024
概括
这项研究引入了一个深度卷积神经网络 (dCNN),它可以从二维电子门户成像设备 (EPID) 图像中快速重建3D辐射剂量分布. 这种人工智能模型显著加速了适应性辐射治疗的质量保证.
科学领域:
- 医学物理 医学物理
- 放射疗法是一种放射治疗.
- 人工智能在医学中的应用
背景情况:
- 精确的3D剂量重建对于有效的放射治疗至关重要.
- 当前的方法可能是计算密集型,限制实时应用.
- 电子门户成像设备 (EPID) 为体内剂量测量提供了一个潜在的来源.
研究的目的:
- 为了证明深层卷积神经网络 (dCNN) 的可行性,用于重建3D患者剂量分布.
- 使用二维EPID图像和CT数据作为dCNN模型的输入.
- 评估拟议的基于dCNN的剂量预测算法的准确性和速度.
主要方法:
- 在ARCHER软件中开发了VitalBeam加速器和EPID的详细几何和材料模型.
- 模拟101个临床强度调节辐射治疗病例用于dCNN培训,验证和测试.
- 优化了EPID像素大小至1.5mm,以提高模拟准确性和效率.
主要成果:
- 该dCNN模型预测3D剂量分布大约在0.35秒内,比传统的蒙特卡洛模拟 (每场18分钟) 显著提高了速度.
- 实现了高平均3D马通过率:99.02% (3%/3毫米) 和96.85% (2%/2毫米).
- 剂量体积组图分析证实了dCNN在评估治疗目标方面的准确性.
结论:
- 开发了一种新的,准确的,快速的深度学习模型,用于从二维EPID图像中预测3D患者剂量.
- 这种dCNN的计算效率预计将提高临床实践的体内质量保证.
- 这种方法支持通过更快的患者特定剂量评估来推进自适应性放射治疗.
