提高剂量计读数准确度的机器学习方法符合ICRU 95推的新操作量
P Rindhatayathon1, K Sukyaprot2, W Sudchai3
1Ionizing Radiation Metrology Section, Regulatory Technical Support Division, Office of Atoms for Peace 16 Vibhavadi Rungsit Rd., Ladyao, Chatuchak, Bangkok, 10900, Thailand.
机器学习 (ML) 通过适应新的操作量 (ICRU 95) 来提高剂量计读数的准确性,特别是对于低能光子. 一个随机森林模型 (ML2) 在聚类和线性回归 (ML1) 上显示出优异的性能.
科学领域:
- 医学物理 医学物理
- 辐射剂量计 辐射剂量计
- 机器学习应用 机器学习应用
背景情况:
- 目前的剂量计读取算法面临着由国际辐射单位和测量委员会 (ICRU) 定义的新操作量所带来的挑战.
- 提高剂量计的准确性,特别是在不同的辐射条件下 (光子能量,角度,剂量),对于辐射安全和研究至关重要.
研究的目的:
- 调查机器学习 (ML) 模型在提高剂量计读数准确度方面的有效性.
- 为了比较不同ML方法的性能,用于剂量计数据分析.
- 促进从现有的剂量计量量过渡到ICRU 95.5规定的新操作量.
主要方法:
- 使用不同的光子能量,角度和累积剂量的Qulxel,InLight和OSLN剂量计的辐射.
- 开发了两个ML模型:ML1 (K-平均集群和线性回归) 和ML2 (随机森林回归).
- 对现有算法对模型性能进行评估,并分析用于预测剂量读数的特征重要性.
主要成果:
- 与现有算法相比,这两种ML模型都证明了剂量计读数准确度的提高.
- 观察到显著的精度提升,特别是对于低能光子辐射.
- 随机森林回归模型 (ML2) 与K-平均值和线性回归模型 (ML1) 相比,表现优越.
结论:
- 机器学习为提高辐射剂量计读数精度提供了一种强大而可适应的工具.
- ML模型可以有效地弥合剂量测量的既定和新操作量之间的差距.
- 这些发现支持将ML纳入常规剂量计实践,以提高精度和可靠性.
更多相关视频
06:20Irradiator Commissioning and Dosimetry for Assessment of LQ α and β Parameters, Radiation Dosing Schema, and in vivo Dose Deposition
Published on: March 11, 2021
07:31Characterization of Recombination Effects in a Liquid Ionization Chamber Used for the Dosimetry of a Radiosurgical Accelerator
Published on: May 9, 2014
相关概念视频
Uncertainty in Measurement: Reading Instruments
Common Leveling Mistakes and Errors
Distance Corrections
Mechanistic Models: Compartment Models in Individual and Population Analysis
