改进基于深度学习的剂量转换精度,以蒙特卡洛算法用于头癌的质子束疗法

科学领域:

• 医学物理 医学物理
• 放射疗法是一种放射治疗.
• 计算生物学 计算生物学

背景情况:

• 质子束疗法 (PBT) 提供精确的剂量输送,但精确的剂量计算至关重要.
• 将笔束 (PB) 剂量分布转换为更准确的蒙特卡洛 (MC) 模拟是计算密集的.
• 深度学习 (DL) 为加速这种剂量转换过程提供了一个潜在的解决方案.

研究的目的:

• 评估图像旋转和变焦增强技术在提高基于DL的剂量转换精度从PB转变为MC的有效性.
• 评估这些增强方法对头癌PBT的剂量和范围精度的影响.
• 确定这些技术是否可以作为增强PBT中DL剂量计算的有价值工具.

主要方法:

• 使用计算机断层扫描 (CT) 图像和PB剂量作为输入来预测MC剂量的深度学习模型被训练.
• 该研究使用了85名头癌患者的数据集,数据分为培训,验证和测试.
• 在DL模型培训过程中,应用了图像旋转和缩放增强技术.

主要成果:

• 数据增强模型实现了93.0% (3%/3mm) 的平均γ通过率,比基线模型 (87.6%) 和PB剂量 (80.6%) 显著改善.
• 随着数据增强,R90的平均范围差异减少到-0.5%±1.1%,而PB剂量为-1.5%±3.6%.
• 图像旋转和缩放增强都显示了基于DL的剂量转换剂量和范围精度的大幅改善.

结论:

• 图像旋转和缩放增强技术在提高基于DL的剂量转换从PB到MC在PBT中的准确性方面非常有效.
• 这些数据增强策略提供了一种强大的方法来提高PBT中剂量计算的精度.
• 这些发现表明,这些技术可以很容易地集成到PBT工作流程中,以优化治疗规划和交付.