在图像引导放射治疗中使用机器学习开发一种针对患者的圆束计算机断层扫描剂量优化模型

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 医疗保健中的机器学习

背景情况:

• 圆束计算断层扫描 (CBCT) 在放射治疗中对软组织和骨可视化至关重要.
• 优化CBCT剂量至关重要,以减少患者的辐射暴露,而不会影响治疗规划和交付的图像质量.

研究的目的:

• 开发和验证一种机器学习模型,用于预测患者特定的CBCT剂量.
• 在前列腺放射治疗中,尽量减少辐射剂量,同时保持临床上可接受的软组织图像质量.

主要方法:

• 幻影研究评估了辐射剂量与图像质量指标 (标准偏差,对比度与噪声比率) 之间的关系.
• 用临床CBCT和计划CT数据来训练和测试机器学习模型.
• 选择支持向量回归是因为其在剂量预测中的高准确性.

主要成果:

• 确定了40%的最低临床剂量水平,在幻影研究中显示了最小的CNR下降.
• 图像质量指标随着剂量下降而恶化,与幻影发现一致.
• 机器学习模型在预测CBCT剂量时获得了0.833的R2.

结论:

• 特定于患者的CBCT成像协议可以显著降低辐射剂量.
• 开发的机器学习模型可以降低剂量,同时保持软组织注册临床上可接受的图像质量.
• 这种方法支持图像导向放射治疗,减少累积辐射暴露.