基于深度学习的剂量转换模型在质子束疗法中的通用性

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 计算生物学 计算生物学

背景情况:

• 质子束疗法 (PBT) 在具有分析笔束 (PB) 算法的不均区域中面临剂量不确定性.
• 准确的蒙特卡罗 (MC) 剂量计算是耗时的,在速度和精度之间产生了权衡.
• 深度学习 (DL) 通过将PB剂量转换为MC等效分布提供解决方案,但在瘤部位的概括性需要调查.

研究的目的:

• 开发和评估基于DL的PBT剂量转换模型.
• 评估模型在多样化和以前未经训练的瘤部位的通用性.

主要方法:

• 在四个瘤部位 (头部,肺,肝脏,前列腺) 的339名患者的PBT数据上训练了一种DL模型.
• 该模型输入CT图像和PB剂量,输出MC等效剂量.
• 在七个未经训练的瘤部位上测试了概括性,使用3D γ-分析和子相似系数 (DSC) 评估了性能.

主要成果:

• 对于大多数未经训练的瘤部位,DL模型实现了高精度 (≥90%的γ通过率以3%/2mm的标准).
• 在食道 (91.3%),乳房 (85.9%) 和四肢骨/软组织 (89.1%) 中,通过率略低一些.
• 大多数未经培训的网站的平均DSC值超过0.8,表明表现良好.

结论:

• 开发的DL模型在PBT中显示了MC等效剂量转换的显著准确性和概括性.
• 该模型的适应性扩展到各种瘤部位,包括那些没有被包括在初始训练中.
• 这种方法可以帮助PBT中心处理各种患者数据和罕见疾病.