虚拟模拟增强的神经网络剂量计算引擎用于强度调节的放射治疗

科学领域:

• 医学物理 医学物理
• 医疗保健中的人工智能
• 放射治疗剂量计 放射治疗剂量计

背景情况:

• 蒙特卡洛 (MC) 剂量计算是准确性的基准,但在计算上是密集的.
• 快速而精确的剂量计算对于IMRT等先进的放射治疗技术至关重要.
• 现有的方法往往面临着速度和准确性之间的权衡.

研究的目的:

• 使用在虚拟模拟数据库上训练的神经网络 (NN) 开发一个快速而准确的剂量计算引擎.
• 为了实现与MC方法相比的剂量分配精度,同时大幅缩短计算时间.
• 为NN模型培训固定光束强度调节辐射疗法 (IMRT) 建立自动化工作流程.

主要方法:

• 建立了一个虚拟模拟数据库,使用自动化优化技术生成个别光束剂量分布.
• 使用生成的数据集构建和训练了一个3D密集U-Net神经网络架构.
• 对鼻,宫和肺癌的IMRT计划验证了NN模型的准确性.

主要成果:

• 在临床光束剂量方面,NN模型实现了显著改善的马传递率 (1 mm / 1% 和 2 mm / 2%),分别达到 77.5% 和 95.6%.
• 剂量计算的平均计算时间大大减少到0.017 ± 0.002秒.
• 自动化工作流成功地从较小的临床数据集中生成了大型训练数据集,从而实现了高模型性能.

结论:

• 一种基于神经网络的固定光束IMRT新型剂量计算模型已经成功开发出来.
• 该模型表现出高精度和特殊的速度,为传统的MC方法提供了可行的替代方案.
• 自动化培训工作流程有助于创建精确和高效的AI驱动放射治疗工具.