一个机器学习工具包辅助的方法IMRT流地图优化:可行性和优势.

科学领域:

• 医学物理 医学物理
• 计算生物学 计算生物学
• 辐射疗法 辐射疗法

背景情况:

• 传统的机器学习 (ML) 和深度学习 (DL) 在治疗规划中往往需要复杂的模型和广泛的数据集,限制它们完全取代传统优化的能力.
• 现有的ML/DL应用还没有完全取代放射治疗治疗规划中的已建立的优化流程.

研究的目的:

• 展示ML的新应用,利用已建立的ML/DL工具包直接用于治疗计划优化.
• 评估ML辅助治疗计划优化的有效性与经典方法相比.

主要方法:

• 使用剂量沉积矩阵设计了一个单层神经网络,并使用PyTorch的L-BFGS优化器实现,利用GPU加速.
• 将MLT辅助框架与使用相同输入和目标函数 (基于DVH和gEUD) 的经典最下降优化器进行了比较.
• 测试了各种初始条件的优化器性能,包括前列腺癌和头癌病例的统一和1000个随机起点.

主要成果:

• 辅助MLT的框架实现了可比或优越的计划质量,由较低的目标值,改进的剂量体积直方图 (DVHs) 和更细致的流动地图细节证明.
• 证明了更快的融合,比经典优化需要的代和评估要少得多,特别是基于gEUD的目标.
• 与经典方法相比,在初始条件下表现出更强的稳定性,不太容易陷入低于最佳的解决方案.

结论:

• 开发的MLT辅助框架为优化治疗计划提供了一种新的方法,利用ML工具包提高效率和可靠性.
• 这种方法可以实现更快的融合,更强大的稳定性,并有效地处理放射治疗规划中的复杂约束.
• 确立MLT辅助优化作为放射治疗中传统优化技术的实用和有效替代方案.