基于机器学习的直线加速器束流数据建模及其在快速稳健的加速器调试与质量保证中的潜在应用
医学物理
2020-10-07 v2
摘要
背景与目的：提出一种新颖的基于机器学习的方法，用于可靠且准确地建模直线加速器（linac）束流数据，可应用于直线加速器调试与质量保证（QA）过程。材料与方法：我们假设束流数据是直线加速器固有特征的函数，且不同射野大小的百分比深度剂量（PDD）和剖面彼此相关。该相关性使用机器学习框架被表述为一个多变量回归问题。来自多家机构的 Varian TrueBeam 束流数据集（n=43）被用于评估该框架。数据集包括不同能量和射野大小的 PDD 与剖面。训练了一个多变量回归模型，以 10x10cm 射野作为输入，预测特定束流的不同射野大小的 PDD 与剖面。结果：在不同所研束流能量下，PDD 预测的平均绝对百分比相对误差（%RE）为 0.19-0.35%。最大平均绝对 %RE 为 0.93%。对于剖面预测，平均绝对 %RE 为 0.66-0.93%，最大绝对 %RE 为 3.76%。PDD 和剖面预测的最大不确定性分别出现在建成区和射野半影区。预测精度随训练集数量增加而提高，直至约 20 个训练集。结论：通过这一新颖的基于机器学习的方法，我们展示了用于常规放射治疗的直线加速器调试的准确且可复现的束流数据生成。该方法有潜力简化直线加速器调试流程，节省时间与人力，同时提高调试过程的准确性。
引用
@article{arxiv.2009.14403,
title = {Beam data modeling of linear accelerators (linacs) through machine learning and its potential applications in fast and robust linac commissioning and quality assurance},
author = {Wei Zhao and Ishan Patil and Bin Han and Yong Yang and Lei Xing and Emil Schüler},
journal= {arXiv preprint arXiv:2009.14403},
year = {2020}
}
备注
36 pages, 9 figures, 4 tables; Accepted by Radiotherapy and Oncology, references were added to reflect the latest advances