质子治疗中基于机器学习的剂量验证框架对生物洗出与深度选择的敏感性分析
医学物理
2022-12-23 v1 机器学习
摘要
基于质子诱导正电子发射体的剂量验证是一种很有前景的质量保证工具，并可以利用人工智能的优势。为了向实际应用更近一步，需要对两个因素进行敏感性分析：生物洗出和深度选择。我们开发了一个双向循环神经网络（RNN）模型。训练数据集基于 CT 图像模体（腹部区域）和多种束能量/路径生成，使用蒙特卡洛模拟（1 mm 空间分辨率，无生物洗出）。对于生物洗出的建模，应用了一个简化的解析模型在 5 分钟内改变原始活度分布，同时结合了物理衰变和生物洗出。对于深度选择的研究（一个与多野/多角度照射相关的挑战），对原始活度分布应用了不同窗口长度（100、125、150 mm）的截断。最后，通过结合这两个因素（深度选择：125 mm，生物洗出：5 分钟）检验了最坏情况下的性能。以射程不确定性、平均绝对误差（MAE）和平均相对误差（MRE）对准确性进行了定量评估。我们提出的 AI 框架对与这两个因素相关的扰动表现出良好的免疫力。质子诱导正电子发射体的探测结合机器学习，在质子治疗中实施在线患者特异性验证方面具有巨大潜力。
引用
@article{arxiv.2212.11352,
title = {Sensitivity analysis of biological washout and depth selection for a machine learning based dose verification framework in proton therapy},
author = {Shixiong Yu and Yuxiang Liu and Zongsheng Hu and Haozhao Zhang and Pengyu Qi and Hao Peng},
journal= {arXiv preprint arXiv:2212.11352},
year = {2022}
}