神经网络驱动的基于CBCT的直接剂量计算,用于头部和部质子治疗计划

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 精确的质子剂量计算对于适应性放射治疗至关重要,特别是通过形束计算断层扫描 (CBCT) 检测到的解剖变化.
• 传统的基于CBCT的剂量计算面临由于图像质量的限制,需要复杂的校正工作流.

研究的目的:

• 开发和验证一种深度学习方法,用于从CBCT图像直接计算质子剂量.
• 利用扩展长期短期记忆 (xLSTM) 神经网络来克服传统的CBCT剂量计算挑战.

主要方法:

• 用40名头癌患者的回顾性数据集来训练基于xLSTM的神经网络 (CBCT-NN).
• 该网络结合了能量代码编码和光束的眼睛视图序列建模.
• 培训涉及82,500个质子笔束配置与蒙特卡洛 (MC) 产生的基准真相剂量;验证使用马分析,MPDE和DVH比较.

主要成果:

• CBCT-NN实现了高精度的95.1±2.7%的马传递率 (2mm/2%标准).
• 平均百分比剂量误差 (MPDE) 为2.6 ± 1.4% (高剂量地区) 和5.9 ± 1.9% (全球).
• 观察到目标覆盖率和处于危险的器官限制的优秀保存,计算时间小于3分钟.

结论:

• 这项研究证明了使用xLSTM神经网络直接基于CBCT的质子剂量计算的可行性.
• 开发的方法提供了与MC方法相比较的准确性和计算效率,适合适应性放射治疗方案.
• 这种深度学习方法消除了对传统CBCT校正工作流程的需求.