实时自适应性质子疗法:基于人工智能的时空单能剂量计算模型 (CC-LSTM)
Ahmad Neishabouri1, Julia Bauer2, Amir Abdollahi2
1Clinical Cooperation Unit Radiation Oncology, German Cancer Research Center (DKFZ), Heidelberg, Germany; Medical Faculty, Heidelberg University, Heidelberg, Germany.
Computers in biology and medicine
|February 13, 2025
概括
一个新的AI模型,CC-LSTM,准确地估计了适应性质子疗法 (APT) 的质子疗法剂量分布. 这种基于人工智能的剂量估计模型实现了高精度和快速运行时间,性能优于当前的方法.
科学领域:
- 医学物理 医学物理
- 辐射瘤学中的人工智能
- 计算剂量计计算剂量计.
背景情况:
- 准确的剂量估计对于有效的放射治疗至关重要.
- 质子疗法提供精确的剂量输送,但需要复杂的治疗计划.
- 实时自适应性质子疗法 (APT) 需要快速剂量计算能力.
研究的目的:
- 开发一个完全基于人工智能的模型来估计单笔光束剂量分布.
- 为了确保该模型在未见的治疗计划上具有通用性.
- 为了实现实时APT集成的快速运行时间.
主要方法:
- 使用相对制止力 (RSP) 和剂量分布定义了一个端到端的剂量估计任务.
- 采用一个卷积神经网络-长期短期记忆 (CC-LSTM) 模型,其中CNN用于特征提取,ConvLSTM用于特征传播.
- 使用3层CNN和自动回归方案,从单个笔束中重建3D剂量分布.
主要成果:
- 与RNN模型相比,CC-LSTM显著提高了准确性,平均局部马指数通过率从92.54%增加到97.21%在 [1%,2mm].
- 该模型表现出强度,最坏情况下的最小马指数从71.69%上升到92.37%.
- CC-LSTM的性能优于最先进的 (SOTA) 模型,实现更低的平均平方误差 (MSE),更快的运行时间,并减少了98.8%的参数.
结论:
- CC-LSTM模型有效地学习剂量估计,并将其概括为新患者病例.
- 达到与蒙特卡洛模拟相美的精度,即使在复杂的异质场景中.
- 运行时间适合实时自适应性质子疗法 (APT) 应用.
