一个统一的深度学习框架,以加强强度调节放射治疗计划的患者特定质量保证
Hui Khee Looe1, Philipp Reinert1, Julius Carta1
1University Clinic for Medical Radiation Physics, Medical Campus Pius Hospital, Carl von Ossietzky University, Oldenburg, Germany.
Medical physics
|December 24, 2024
概括
这项研究引入了一种新的深度学习 (DL) 框架,用于辐射治疗质量保证 (QA). 统一的DL方法通过结合测量和计算的优势,提高准确性和效率来增强患者特定的QA.
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:
- 像IMRT和VMAT这样的现代辐射疗法 (RT) 技术需要复杂的流动调制来实现最佳剂量分配.
- 患者特异性质量保证 (PSQA) 对于RT准确性至关重要,传统上依赖于耗时的治疗前测量.
- 现有的方法有局限性:测量是劳动密集型的,基于计算的方法不考虑机器性能.
研究的目的:
- 引入一个新的统一深度学习 (DL) 框架,旨在增强RT中的PSQA.
- 该框架旨在将基于测量和基于计算的质量保证方法的优势相结合.
主要方法:
- 使用辐射传输和相互作用的数学模型生成了一个大型的人工数据集 (400,000个样本).
- 通过人工数据预训练DL模型,并通过测量IMRT数据 (400个段) 进行微调,以捕获机器特定特征.
- 一个统一的框架与前进 (剂量预测) 和后退 (参数重建) DL模型被开发和测试不同的探测器阵列.
主要成果:
- 在预测测量和重建交付的计划参数方面,DL模型实现了高精度.
- 未来的预测显示出与测量结果的良好一致性,OD 1600 SRS的马传导率中位数>94%.
- 对原始和重建剂量分布的比较显示了临床上可接受的偏差,3D马通过率在94.7%和98.5%之间.
结论:
- 统一的DL框架证明了对各种RT技术和测量设备的适应性.
- 这种方法可以减少对特定测量设备的依赖,并简化质量保证工作流程.
- 该框架具有自动化质量保证流程的巨大潜力,特别是在实时自适应性辐射疗法 (ART) 中.
