基于深度学习的蒙特卡罗剂量预测重离子线上适应性放射治疗和快速质量保证:可行性研究

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 在线适应性放射治疗 (OART) 和快速质量保证 (QA) 对重离子疗法 (HIT) 至关重要.
• 缺乏深度学习 (DL) 模型阻碍了在HIT中对OART和QA的蒙特卡罗 (MC) 剂量预测.

研究的目的:

• 在HIT中开发一个DL模型用于独立的MC剂量 (MCDose) 预测.
• 在重离子治疗中促进OART和快速QA的实施.

主要方法:

• 在GATE/Geant4平台上开发了CAM-CHD U-Net,这是一款包含通道注意力机制 (CAM) 的DL模型,用于MC剂量预测.
• 利用患者的CT图像,能量矩阵和射线罩作为快速剂量预测的输入.
• 将CAM-CHD U-Net (实验2) 与CHD U-Net (实验1) 进行比较,使用120名头癌患者的数据.

主要成果:

• 在PTV中,CAM-CHD U-Net实现了99.31%的马传导率 (3%/3毫米),在所有车身声器中达到96.48%.
• 实验2显示,与实验1相比,风险器官的平均绝对剂量差异减少了46.15%.
• 该模型在几秒钟内预测了MC剂量.

结论:

• CAM-CHD U-Net准确地预测了独立的MC剂量,具有高马传递率,与地面真相MC模拟进行验证.
• 开发的工作流支持重离子OART的实施.
• 预测MCDose适用于HIT中的快速QA.