基于深度学习的3D剂量重建,用于使用电子门户成像设备进行强度调节的放射治疗
Dong Yang1, Jiawei Fan1, Yu Wenliang2
1Department of Radiation Oncology, Fudan University Shanghai Cancer Center; Department of Oncology, Shanghai Medical College, Fudan University, Shanghai, China.
Journal of applied clinical medical physics
|November 6, 2025
概括
这项研究引入了一个深度学习框架,用于快速使用电子门户成像设备 (EPID) 图像和CT扫描进行3D剂量重建. 该方法显示了质量保证和适应性放射治疗的可行性,实现了准确的患者特异性剂量分配.
科学领域:
- 医学物理 医学物理
- 放射治疗 物理 物理
- 医疗成像医学成像
背景情况:
- 电子门户成像设备 (EPID) 用于体内剂量测量,以检测治疗差异.
- 精确的3D剂量重建对于放射治疗质量保证至关重要.
研究的目的:
- 开发和评估一个深度学习框架,用于从EPID图像和计划CT直接3D患者剂量重建.
- 为了避免依赖蒙特卡洛模拟或传统的反向投影方法.
主要方法:
- 在头部和部IMRT患者数据上训练了一个Res-UNet架构.
- 用EPID和CT数据预测剂量切片,将其组装成3D卷,并在束中总结.
- 评估涉及voxel-wise错误指标,3D马分析和DVH比较.
主要成果:
- 该框架实现了0.163 Gy的平均voxel-wise MAE,其中95%的voxel<2 Gy.
- 对于3%/3毫米标准,整体的3D马通过率为90.67%.
- 大多数DVH比较没有显示出显著差异,尽管一些有风险的器官确实有.
结论:
- 深度学习框架允许快速,针对患者的3D剂量重建,无需复杂的物理建模.
- 该方法证明了质量保证的可行性和在线适应性放射治疗的潜力.
- 高梯度区域需要进一步关注,但对于许多应用,准确性就足够了.
