使用基于深度学习的轮进行自动轮质量保证

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 自动化质量保证 (QA) 对于辐射治疗中的安全自动轮至关重要.
• 自动轮模型之间的几何比较单独不足以检测临床上显著的错误.
• 整合剂量指标可能会提高自动化质量保证系统的准确性.

研究的目的:

• 调查是否包括剂量指标可以增强自动轮模型的双轮质量保证系统.
• 评估组合几何和剂量测量比较在识别自动轮错误方面的有效性.
• 提高自动化质量保证在放射治疗规划中的可靠性.

主要方法:

• 为86名头癌 (H&N) 和50名宫癌 (GYN) 患者生成了体积调制弧线治疗计划.
• 与手动划分的OAR比较自动轮的处于危险的器官 (OAR),以确定剂量计误差 (Dmean或Dmax≥2 Gy).
• 使用第二个自动轮模型进行验证,并使用几何和剂量计度量与主要模型进行比较;后勤回归预测错误.

主要成果:

• 在逻辑回归中包括剂量指标,可以更好地预测小H&N结构的平均剂量误差.
• 剂量指标增强了对中小型H&N结构和GYN结构的最大剂量误差的预测.
• 综合方法在检测临床上显著的自动轮错误方面表现得更好.

结论:

• 在双边形质量保证系统中结合几何和剂量比较,可以显著改善自动边形错误的检测.
• 这种增强的质量保证方法对于在临床实践中安全有效地部署自动轮模型至关重要.
• 进一步的研究可以完善这些方法,以便在放射治疗规划中得到更广泛的应用.