通过预先嵌入的隐性神经表示学习,高效准确的调试和放射性手术束的质量保证
Lianli Liu1, Cynthia Chang1, Lei Wang1
1Department of Radiation Oncology, Stanford University, Palo Alto, California, USA.
Medical physics
|January 15, 2025
概括
这项研究引入了一种新的AI模型,用于放射性手术线性加速器 (LINAC) 束数据. 该模型准确地预测来自稀疏测量的完整光束数据,提高调试和质量保证效率.
科学领域:
- 医学物理 医学物理
- 放射治疗 物理 物理
- 计算物理 计算物理
背景情况:
- 线性加速器 (LINAC) 的调试和质量保证 (QA) 是临床物理学家面临的挑战,特别是由于小场光束的复杂性,对于放射性外科手术而言.
- 优化物理学家的努力和确保光束测量的数据质量对于临床效率和患者安全至关重要.
研究的目的:
- 使用隐式神经表示 (NeRP) 学习开发放射外科LINAC光束模型.
- 评估模型引导光束数据采样的能力,从稀疏测量预测完整数据集,并在调试和质量保证期间验证探测器设置.
主要方法:
- 使用多层感知器 (MLP) 神经网络来参数化来自CyberKnife LINAC的束数据 (侧面配置,TPR).
- 在参考数据集上的培训网络中嵌入了先前的光束知识,然后通过稀疏的临床测量进行微调以进行预测.
- 评估了10个临床数据集的模型准确性和使用故意错误的数据对采集错误的敏感性.
主要成果:
- 使用稀疏测量的微调 (例如单个深度配置文件,单个对比器TPR) 准确地预测了完整的光束数据,匹配地面真相.
- 在10个临床数据集中实现了高准确性 (平均值). MAE <0.5%,平均年均增长率为0.5%. 马通过率> 99%).
- 证明模型对采集错误的敏感性,在使用错误数据时具有显著的预测变化 (Gamma通过率低至18.16%).
结论:
- 一种用于小场射线外科疗法的新型模型,通过嵌入先前知识,从稀疏的测量中预测完整的数据.
- 该模型增强了临床物理学家验证光束数据采集准确性的能力.
- 承诺在LINAC调试和质量保证中提高可靠性和效率,减少测量工作量.
