基于深度学习的预测蒙特卡洛剂量分配重离子疗法

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 在重离子疗法 (HIT) 中,传统的治疗计划系统算法 (TPSDose) 缺乏准确性.
• 蒙特卡洛剂量分布 (MCDose) 准确但计算密集,限制了其临床应用.
• 准确和快速的剂量预测对于优化HIT疗效和患者安全至关重要.

研究的目的:

• 开发一种深度学习 (DL) 模型,用于在HIT中快速预测MCDose.
• 提高临床放射治疗中剂量计算的准确性和效率.

主要方法:

• 开发了一个级联层次密集的3D U-Net (CHD U-Net) 深度学习模型.
• 使用计算机断层扫描图像和来自67名头癌和30名胸腔和腹部癌症患者的TPSDosage数据来训练模型.
• 将CHD U-Net模型的性能与TPSDose和其他DL模型进行了比较.

主要成果:

• 与TPSDose相比,CHD U-Net模型在马通过率 (1%/1毫米) 中实现了16%的改善.
• 根据临床相关标准 (3%/3毫米) 在整个剂量分布中实现了99%和97%的准确性.
• 在预测MCDose方面表现卓越,优于其他DL模型.

结论:

• 该CHD U-Net模型可以在几秒钟内对HIT进行快速,准确的MCDose预测.
• 该模型的准确性支持其在临床环境中的使用,可能取代TPSDose.
• 这一进步提高了剂量计算的准确性,并为放射治疗质量保证提供了有价值的工具.