基于低统计量蒙特卡洛模拟的的临床前微束放射治疗的准确快速深度学习剂量预测
医学物理
2023-04-07 v2
摘要
微束放射治疗(MRT)利用共面同步辐射束条，是一种针对若干目前临床疗效不佳的肿瘤诊断（如胶质肉瘤）的拟议治疗方法。在澳大利亚同步辐射光源的成像与医疗束线上，针对MRT研究中临床前胶质肉瘤模型的处方剂量估算目前依赖蒙特卡洛(MC)模拟。与50μm宽共面束条相关的陡峭剂量梯度，对短时间内的MRT照射治疗场的精确MC模拟提出了重大挑战。针对临床可用疗法的快速剂量估算方法已有大量研究。然而，此类方法，包括GPU蒙特卡洛实现和机器学习(ML)模型，对于MRT这类新颖且新兴的癌症放射治疗选项尚不可用。本工作首次展示了一种快速准确的机器学习剂量预测模型在回顾性临床前MRT啮齿动物研究中的成功应用。该ML模型预测微束路径中的峰值剂量及其间的谷值剂量，即递送至啮齿动物患者胶质肉瘤的剂量。ML模型的预测与低噪声MC模拟表现出极好的一致性，尤其在所研究的肿瘤体积内。尽管ML模型是刻意用表现出显著更高统计不确定性的MC计算样本训练的，仍取得此一致。成功使用生成速度快得多的噪声训练集数据样本，鼓励并加速了该ML模型向其他未来新型放射癌症疗法中不同治疗模式的迁移。
引用
@article{arxiv.2212.05659,
title = {Accurate and fast deep learning dose prediction for a preclinical microbeam radiation therapy study using low-statistics Monte Carlo simulations},
author = {Florian Mentzel and Jason Paino and Micah Barnes and Matthew Cameron and Stéphanie Corde and Elette Engels and Kevin Kröninger and Michael Lerch and Olaf Nackenhorst and Anatoly Rosenfeld and Moeva Tehei and Ah Chung Tsoi and Sarah Vogel and Jens Weingarten and Markus Hagenbuchner and Susanna Guatelli},
journal= {arXiv preprint arXiv:2212.05659},
year = {2023}
}