几何编码深度学习 (GeoDL) 框架用于实时3D剂量验证,用于在线自适应性放射治疗.

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:

• 在线适应性放射治疗 (ART) 需要快速准确的剂量验证.
• 目前的方法是计算密集型,阻碍了ART工作流的效率.
• 之前的研究表明,使用几何编码深度学习 (GeoDL) 来进行二维剂量估计的潜力.

研究的目的:

• 调查扩展GeoDL用于实时3D剂量验证的可行性.
• 为了解决在ART期间快速剂量评估的未满足的临床需求.
• 为了评估 GeoDL 在整个感兴趣的3D体积中的表现.

主要方法:

• 开发了一个GeoDL算法,使用线性加速器几何统一流动性图和CT图像.
• 采用 3D U-Net 架构,在集成的 CT-FM 卷上进行训练,用于 3D 剂量估计.
• 利用组合损失函数优化高剂量和低剂量区域的预测;在前列腺癌病例上接受培训和测试.

主要成果:

• 在近实时 (~35ms每例) 中实现了高度精确的3D剂量估计.
• 证明了卓越的剂量测量准确性,平均 γ 通过率 (3% / 2mm) 为 99.94% ± 0.15%.
• 报告的最小平均剂量差异用于规划目标体积 (PTV) 和风险器官 (OAR).

结论:

• 在ART中,GeoDL可用于超快速剂量验证.
• 该算法在整个3D体积的关键剂量指标上表现出强的表现.
• GeoDL是放射治疗中现实世界的临床应用的一个有前途的工具.