轻量级和通用深度学习模型用于任意能量的快速质子点位剂量计算

科学领域:

• 医学物理 医学物理
• 计算生物学 计算生物学
• 放射治疗技术 放射治疗技术

背景情况:

• 精确的质子点位剂量计算对于先进的放射治疗技术,如适应性规划和质量保证至关重要.
• 现有的模型可能缺乏对任意质子能量的普遍性或效率.
• 长短期记忆 (LSTM) 网络为建模复杂的剂量沉积模式提供了潜力.

研究的目的:

• 为任意能量提出一个轻量级和通用的质子点位剂量计算模型.
• 将剂量计算纳入快速适应性规划和质量保证流程中.
• 评估不同解剖部位的拟议模型的准确性和效率.

主要方法:

• 开发一个多能量剂量长期短期记忆 (MED-LSTM) 模型.
• 对前列腺,鼻和肺癌病例的MED-LSTM模型的培训和评估.
• 评估模型的性能,使用马通过率在 (1%,3毫米) 和 (1%,1毫米) 标准下,用于点位剂量和计划剂量.

主要成果:

• 在点位剂量计算中,MED-LSTM实现了高的平均马通道率 (例如,前列腺小于 (1%,3毫米) 的前列腺是99.93%).
• 前列腺和肺的模型显示强度调节的质子疗法计划剂量强的表现 (例如,前列腺在 (1%,3毫米)).
• 由于组织异质性,在鼻和肺部病例中观察到微小的偏差,这表明需要进一步改进的领域.

结论:

• 该MED-LSTM模型证明了高精度和高效率的质子点位剂量计算在各种能量.
• 该模型的轻量级性质和广泛适用性使其在质子疗法中的临床整合具有前景.
• 进一步的研究可能会专注于解决异质组织中的偏差,以增强普遍性.