对机器和深度学习算法的比较分析,用于用于组织节约放射治疗的聚合物材料中的布拉格峰值估计

科学领域:

• 医学物理与材料科学 医学物理与材料科学
• 放射治疗和计算机建模

背景情况:

• 质子疗法提供精确的,节约组织的放射治疗,利用布拉格峰值现象.
• 精确的治疗规划需要可靠的校准幻影,由组织等价的聚合物制成.
• 评估聚合物剂量计行为对于提高放射疗法的准确性至关重要.

研究的目的:

• 在质子疗法中研究常见聚合物 (帕利,环氧,雷克桑,米拉) 的剂量计行为.
• 评估各种人工智能 (AI) 模型对布拉格峰值特征的预测能力.
• 探索AI在优化校准幻影设计和质子疗法规划方面的潜力.

主要方法:

• 对选定的聚合物进行线性能量转移 (LET) 值的实验测量.
• 使用LET数据进行多种AI模型 (kNN,SVR,MLP,RF,LWRF,XGBoost,1D-CNN,LSTM,BiLSTM) 的培训和评估.
• 通过使用MAE,RAE,RMSE,RRSE,CC和R2指标进行10倍交叉验证和绩效评估进行优化.

主要成果:

• 人工智能模型,特别是随机森林 (RF) 和轻量随机森林 (LWRF),准确地预测了环氧聚合物中的布拉格峰值.
• 在相关系数 (CC) 和R2指标 (分别为0.9969和0.9938) 中,LWRF表现出色.
• 射频在MAE,RMSE,RAE和RRSE指标中表现出卓越的表现,这表明预测准确性和可靠性很高.

结论:

• 人工智能模型为预测布拉格峰的复杂模拟提供了强大的和高效的替代方案.
• 这项研究支持AI在设计可靠的校准幻象中对质子治疗的实用性.
• 这种人工智能集成增强了材料科学,医学物理和放射治疗中的数据驱动建模.