碳离子治疗中的簇剂量预测：使用预训练剂量预测 U-Net 的迁移学习
医学物理
2025-10-29 v1
摘要
簇剂量概念提供了一种替代放射生物学有效性（RBE）基模型，用于描述辐射诱导生物效应。本研究探讨了使用神经网络预测簇剂量分布的应用，旨在取代当前需要的计算密集型仿真。簇剂量分布使用最初预训练于常规剂量分布的 U-Net 进行预测。通过迁移学习技术，对解码器路径进行适配以进行簇剂量估计。训练和预训练数据集均包括来自多个患者的头部和颈部区域以及不同能量和位置的碳离子束。采用蒙特卡洛（MC）仿真生成 ground truth 簇剂量分布。该 U-Net 使单根铅笔束的簇剂量估计在 GPU 上可在毫秒级完成。预测的簇剂量分布与 ground truth 之间的偏差小于 0.35%。本证据原理研究表明，利用预训练神经网络和迁移学习技术，能够在机器学习（ML）条件下，在临床可接受的计算时间内准确估计簇剂量。该方法显著减少了对大规模计算密集型训练数据的需求。
引用
@article{arxiv.2510.24703,
title = {Cluster Dose Prediction in Carbon Ion Therapy: Using Transfer Learning from a Pretrained Dose Prediction U-Net},
author = {Miriam Schwarze and Hui Khee Looe and Björn Poppe and Leo Thomas and Hans Rabus},
journal= {arXiv preprint arXiv:2510.24703},
year = {2025}
}