使用人工神经网络,先进预测多叶合器的叶子位置.

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 医疗保健中的机器学习

背景情况:

• 多叶聚合器 (MLC) 是现代放射治疗中必不可少的组成部分,通过精确的叶子定位,可以实现精确的准.
• 精确预测MLC叶子位置对于确保治疗疗效和患者安全至关重要.

研究的目的:

• 开发和评估三个不同的神经网络模型,用于预测放射治疗期间MLCs的交付位置.
• 评估不同神经网络架构在准确预测MLC叶子移动方面的性能.

主要方法:

• 利用了50个动态强度调节辐射疗法计划的数据,这些计划是在Elekta线性加速器与160叶MLC系统上交付的.
• 提取的特征包括剂量分数,门架/聚合器角度,下巴位置和计划/相邻的叶子位置,速度和加速,以训练神经网络模型.
• 开发并比较了粒子群优化反向传播神经网络 (PSOBPNN),反向传播神经网络 (BPNN) 和辐射基函数神经网络 (RBFNN) 模型,使用70%的数据用于训练和30%用于验证/测试.

主要成果:

• 所有开发的神经网络模型都在预测MLC叶子位置方面表现出高准确性,相关系数 (R) 为0.9999.9.
• 该PSOBPNN模型实现了卓越的性能,报告了0.0043mm的平均绝对误差 (MAE) 和0.00003mm2的平均平方误差 (MSE).
• BPNN和RBFNN模型显示出更高的误差,MAE分别为0.0241毫米和0.0331毫米.

结论:

• 在预测交付的MLC位置方面,PSOBPNN模型显著优于传统的BPNN和RBFNN模型.
• 该PSOBPNN模型表现出强大的概括性和卓越的准确性,由明显较低的MAE和MSE值证明.
• 使用PSOBPNN准确预测MLC位置,提高了放射治疗的安全性和有效性.