肺部的快速剂量预测CyberKnife放射治疗计划利用深度学习方法,通过结合由非共平面光束传递的剂量测量特征来实现
Shengxiu Jiao1, Honghao Xu1, Jia Luo2
1Department of Nuclear Medicine, Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan, Shandong, People's Republic of China.
Biomedical physics & engineering express
|March 28, 2025
概括
一种新的深度学习方法通过整合光束剂量数据来改进CyberKnife (CK) 肺癌治疗计划,显著提高剂量计算的准确性和效率.
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:
- 网络刀 (CK) 系统的剂量分配是复杂的,受瘤位置和光束角度的影响.
- 精确的剂量计算对于有效的肺癌放射治疗计划至关重要.
研究的目的:
- 开发和验证用于CyberKnife (CK) 剂量计算的深度学习方法.
- 将CK光束剂量特征整合到治疗计划中,以提高准确性.
主要方法:
- 使用CT,PTV和CK光束剂量特征开发了一个几何和剂量计方法 (GDM) 深度学习模型.
- 蒙特卡洛 (MC) 模拟作为剂量分配计算的基本真理.
- 为了进行比较,使用了gamma通过率 (γ(1mm,1%),γ(2mm,2%),γ(3mm,3%))
主要成果:
- 在剂量预测准确性方面,GDM显著优于几何方法 (GM),特别是在目标之外的低剂量区域.
- 与转基因相比,GDM改善了马传导率: γ(1mm,1%) 从49.55%到81.69%, γ(2mm,2%) 从73.24%到98.11%,以及 γ(3mm,3%) 从81.69%到99.37%.
- 该GDM证明了与MC计算的优越一致.
结论:
- 为CK治疗计划提出了一种新的深度学习剂量计算方法.
- 该方法有效地结合了患者的几何和剂量测量特征,扩展了以前的深度学习方法.
- 这种方法显示了加速CK规划和提高整体效率的潜力.
