检测基于电子门户成像设备的in vivo剂量计的失败耐受性原因,使用机器学习进行体积调制弧线治疗:可行性研究
Nipon Saiyo1,2, Hironori Kojima3, Kimiya Noto3
1Department of Quantum Medical Technology, Graduate Course of Medical Sciences and Technology, Division of Health Sciences, Graduate School of Medical Sciences, Kanazawa University, Ishikawa, Japan.
机器学习模型准确地对基于电子门户成像设备 (EPID) 的体内剂量测量 (IVD) 在VMAT放射治疗中的故障原因进行分类. 这有助于在处理过程中识别和纠正错误.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 机器学习应用 机器学习应用
背景情况:
- 基于电子门户成像设备 (EPID) 的体内剂量测量 (IVD) 对于在放射治疗期间识别剂量耐受性失败至关重要.
- 评估这些故障的根本原因对于确保治疗准确性和患者安全至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以分类基于EPID的IVD故障的原因.
- 专门解决体积调制弧线疗法 (VMAT) 治疗中遇到的故障.
主要方法:
- 支持矢量机 (SVM) 用于创建不同的错误类型的ML模型.
- 模拟的错误包括随机多叶聚合器 (RMLC) 位置,监视器单元 (MU) 变化和位置移位 (侧向,俯冲,滚动).
- 用准确度,F1得分和接收器操作特征 (ROC) 曲线 (AUC) 下的面积来评估模型性能,并对阿尔德森兰多幻影进行验证.
主要成果:
- ML模型的准确度超过90%,RMLC位置和MU变化错误的F1得分为0.9.
- 横向位置,斜率和滚动旋转错误的准确度在65.2%至66.8%之间,相应的F1分数在0.65至0.67.7之间.
- 所有模型都显示了AUC大于0.7,验证证实了模拟错误的一致分类.
结论:
- 开发的ML模型有效地对基于EPID的IVD耐受性失败的原因进行了分类.
- 这项技术可以帮助快速识别和纠正VMAT放射治疗中的错误.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
相关概念视频
Measurement of Bioavailability: Pharmacodynamic Methods
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
Therapeutic Drug Monitoring: Drug Analysis Methods
