深度SMCP - 深度学习驱动的蒙特卡罗剂量分配在瑞士蒙特卡罗计划内的拒绝
Hannes A Loebner1, Raphael Joost1, Jenny Bertholet1
1Division of Medical Radiation Physics and Department of Radiation Oncology, Inselspital, Bern University Hospital and University of Bern, Bern, Switzerland.
Zeitschrift fur medizinische Physik
|March 18, 2025
概括
一个新的深度学习框架,DeepSMCP,有效地减少光子疗法蒙特卡洛剂量分布 (MC-DDs) 的噪音. 这种快速,集成的工具显著提高了治疗规划的效率和准确性.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 光子疗法中的蒙特卡罗剂量分布 (MC-DDs) 往往受到高统计不确定性 (SU) 的影响,影响治疗计划的准确性.
- 在MC-DD中减少SU的现有方法可能是计算密集型和耗时的.
研究的目的:
- 开发和整合一个快速的,深度学习框架 (DeepSMCP) 以拒绝高SU的MC-DD.
- 在瑞士蒙特卡洛计划 (SMCP) 中从高SU计算中获得低SUMC-DD的简化工作流程.
主要方法:
- 一个3D U-net模型被训练使用高/低SU MC-DD和计算机断层扫描 (CT) 来自VMAT弧.
- 该模型在106个VMAT弧的数据集上进行了验证和测试,增加到3074对,并集成到SMCP中.
- 使用Gamma通过率 (2%全球,2毫米,10%值) 评估了准确性;计算时间也被记录下来.
主要成果:
- 与测试组中的低SU MC-DDs相比,拒绝的MC-DDs的平均Gamma通过率为82.9% (±4.7%).
- 应用于12个未见的临床病例,平均Gamma通过率为91.0%,表明可概括性.
- 深度SMCP工作流实现了340倍的效率提升,在平均35.1秒内产生无效的MC-DD.
结论:
- DeepSMCP提供了一个有前途的,同类首个,无集成的框架,用于高效,准确的MC-DDs.
- 该框架大大缩短了计算时间,同时保持了高精度,促进了更快,更可靠的放射治疗规划.
更多相关视频
10:33Expedited Radiation Biodosimetry by Automated Dicentric Chromosome Identification ADCI and Dose Estimation
Published on: September 4, 2017
15.6K
06:26Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI
Published on: November 27, 2019
69.6K
