基于深度学习的linac光束建模与稀疏光束数据测量

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 机器学习 机器学习

背景情况:

• 精确的Linac光束建模对于有效的放射治疗至关重要.
• 传统的光束数据采集方法耗时且资源密集.

研究的目的:

• 引入 linac 束模拟网络 (LBMnet),这是一个深度学习方法,用于高效的 linac 束模拟.
• 为了提高产生百分比深度剂量 (PDD) 和辐射疗法的光束配置文件的准确性和效率.

主要方法:

• 使用自动编码器架构开发了LBMnet,该架构是根据Elekta Versa HDTM linacs的稀疏单场测量训练的.
• 采用数据增强和伪资料输入,以提高预测准确度.
• 根据测量束数据和使用马分析 (1%/1毫米和0.5%/0.5毫米标准) 评估的临床剂量分布进行了验证的预测.

主要成果:

• 在22厘米深度内,LBMnet实现了PDD预测准确度在±2%以内.
• 个人资料预测显示,高剂量区域的最大差异在3%以内,半暗中偏差较小.
• 临床剂量分布显示,超过99%和91%的患者符合1%/1毫米和0.5%/0.5毫米的标准.

结论:

• 在放射治疗中,LBMnet显示了提高光束建模精度和效率的巨大潜力.
• 该模型即使在有限的数据集上也提供了可靠的预测,为传统方法提供了可靠的,节省时间的替代方案.