DeepMCDose：一种通过预测去噪实现 MR 引导放疗中高效蒙特卡洛束流剂量计算的深度学习方法
医学物理
2019-08-14 v1
摘要
在改善癌症放射治疗方面下一个重大飞跃需要联合使用在线自适应和磁共振引导放射治疗技术以及自动 X 射线束方向选择。遗憾的是，将这些进展结合起来后，所需的剂量信息大幅扩展，导致放射治疗计划期间整体计算时间相应增加，而现有加速蒙特卡洛剂量计算的技术无法应对。我们提出了一种深度卷积神经网络方法，该方法通过对低层级束流剂量分布的数据驱动学习表征（而非仅利用单个剂量输入信息的基于滤波器的有限去噪技术）来处理蒙特卡洛剂量结果，从而在后处理蒙特卡洛剂量结果的加速和精度上达到新水平。我们的方法使用在三个输入通道上作用的并行 UNET 分支，在混合潜在表征之前产生无噪声剂量预测。与真实剂量相比，我们的模型归一化平均绝对误差仅为 0.106%，而预测时输入网络的欠采样 MC 剂量误差为 25.7%。我们模型每束流预测时间约为 220 ms，包括蒙特卡洛模拟和网络预测，通过批处理以及与现有蒙特卡洛加速技术结合有望进一步大幅加速。我们的方法在实现先进治疗技术的临床应用方面展现出前景。
引用
@article{arxiv.1908.04437,
title = {DeepMCDose: A Deep Learning Method for Efficient Monte Carlo Beamlet Dose Calculation by Predictive Denoising in MR-Guided Radiotherapy},
author = {Ryan Neph and Yangsibo Huang and Youming Yang and Ke Sheng},
journal= {arXiv preprint arXiv:1908.04437},
year = {2019}
}
备注
Accepted in MICCAI 2019 - AI in Radiation Therapy (AIRT) Workshop