基于深度学习的MLC快速测序用于MRI引导的在线自适应性放射治疗:一项针对胰腺癌患者的可行性研究

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:

• 通过磁共振成像 (MRI) 引导的在线自适应性放射疗法由于漫长的日常重新规划而面临瓶.
• 目前的叶子测序方法可能需要长达10分钟,可能会损害剂量测量和增加治疗交付时间.

研究的目的:

• 开发一种基于深度学习的快速方法,以取代在MRI引导的在线自适应性放射治疗中耗时的叶子测序过程.
• 通过提供几乎即时的,可交付的MLC序列来加速和增强在线适应.

主要方法:

• 使用一次性的条件生成对抗网络 (GAN) 来从流动图中预测细分形状.
• 一个线性矩阵方程模块为预测的细分优化了监视器单元 (MU) 重量.
• 模型使用49名腹部癌症患者的日常计划进行训练,这些患者接受了1.5TMR-Linac.

主要成果:

• 深度学习方法实现了高的马通过率 (99.7%在2%/2毫米,92.7%在1%/1毫米).
• 与最初的计划相比,每个光束的段数和总MU的数量减少了.
• 预计治疗交付时间平均减少了14% (高达25%),计划生成时间小于10秒.

结论:

• 开发的深度学习模型可以快速准确地生成优化,可交付的MLC序列,使用更少的分段.
• 这种方法可以集成到在线重新规划工作流程中,以显著加快MRI导向放射治疗中的日常计划适应.