机器学习方法和模型用于使用计算机断层图像预测质子停止功率比率和其他参数

科学领域:

• 医学物理 医学物理
• 计算生物学 计算生物学
• 辐射疗法 辐射疗法

背景情况:

• 精确估计质子停止功率比 (SPR),相对电子密度 (ρe),有效原子数 (Zeff) 和平均激发能 (I) 对于辐射治疗规划至关重要.
• 现有的模型往往需要复杂的计算和缺乏自动化,这给广泛的临床采用带来了挑战.

研究的目的:

• 开发一个简单,强大的模型来准确估计SPR, ρe, Zeff和I.
• 设计一个机器学习算法来自动化这些估计,提高效率和准确性.

主要方法:

• 利用计算机断层扫描 (CT) 数量与 SPR, ρe, Zeff 和 I. 之间的经验关系.
• 开发了一个模型,使用线性衰减系数预测这些参数,可转换为CT数.
• 采用在人体组织和Gammex插入数据上训练的机器学习算法,结合先进的组织分类技术.
• 实施的双能CT方法 (80kVp和150kVP/Sn) 进行验证.

主要成果:

• 拟议的模型实现了SPR和 ρe 的最大建模根平均平方误差 (RMSE) 约为1%.
• 实现了对 ρe 的 0.32% 和 SPR 的 0.38% 的 RMSE 的建模,并有可能进一步改进.
• 实现了I的1.11%和Zeff的1.66%的建模RMSEs,所有数量的平均误差接近0.00%.
• 在大多数情况下,与现有方法相比,证明了较低的测试RMSE和平均误差.

结论:

• 拟议的方法灵活而稳固,提供较低的测试误差.
• 集成的机器学习算法通过数据驱动的调整来促进自动化和模型改进.
• 这种方法很容易实现,为更高效,更准确的放射治疗规划铺平了道路.