基于深度学习的2D探测器阵列测量的上采样,用于在放射治疗中验证患者计划

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 图像处理 图像处理

背景情况:

• 探测器阵列对于强度调制放射治疗 (IMRT) 计划验证至关重要.
• 检测器阵列的有限内在分辨率可能会导致偏的剂量梯度和狭窄的峰值不准确.

研究的目的:

• 开发一种深度学习方法,以提高用于患者计划验证的检测器阵列的空间分辨率.
• 为了补充缺少的数据并增加2D剂量配置文件的采样频率,纠正体积平均效应.

主要方法:

• 利用蒙特卡洛模拟生成各种线性加速器设置和场形状的合成训练数据.
• 实现了一个深度卷积神经网络 (CNN) 架构,用于OCTAVIUS检测器1500使用PyTorch进行训练.
• 通过将上抽样测量与高分辨率探测器阵列和放射色膜进行比较来验证方法,并通过治疗计划系统 (TPS) 计算重建了3D剂量分布.

主要成果:

• 使用神经网络实现了分辨率从5mm增加三倍到1.7mm.
• 与双线插入相比,IMRT细分部分的马指数合格率平均增加了高达20%.
• 显示3D剂量重建的平均通过率增加了22%,VMAT计划的平均通过率增加了7-8%.

结论:

• 神经网络上采样有效地提高了用于放射治疗的探测器阵列分辨率.
• 该方法为测量点提供了优异的插值,特别是在的梯度区域,与标准的双线插值相比.
• 运用神经网络上样方法的应用始终提高了对调查的VMAT计划的通过率.