基于三维卷积神经网络的具有不确定性估计的快速点扫描质子剂量计算方法

Posted 2021-04-26 新瑞阳光

美国斯坦福大学的Xing Lei等作者于2020年7月发表了一篇名为《基于三维卷积神经网络的具有不确定性估计的快速点扫描质子剂量计算方》的文章。以下是文章摘要部分：

<目的>

PURPOSE

本研究提出了一种基于三维卷积神经网络（3D-CNN）的具有概率不确定性估计的近实时点扫描质子剂量计算方法。

<方法>

METHODS

收集了215例头颈部肿瘤患者的CT图像和临床靶体积轮廓。分别提取了1484个和488个计划，用于训练和测试3D-CNN模型。使用开源剂量计算工具包计算每个计划的点束数据和单野均匀剂量（SFUD）标签。可变点数据被转换成一个固定大小的体积，因此称为“峰值地图”（PM）。以停止功率比和PM为输入，进行了300个周期的端到端训练。此外，采用转移学习技术对训练模型进行调整，使其适应于不同束流参数和计算算法(仅使用基础模型训练数据的7.95%)计算的SFUD剂量。最后，用几种评估指标对3D-CNN计算剂量的准确性和模型不确定性进行了评估。

<结果>

RESULTS

3D-CNN模型能准确地计算出三维质子剂量分布，平均绝对误差为0.778cGyE。预测的不确定度与高对比度边缘的剂量误差相关。二值化输出与真实值之间的平均Sorensen-Dice相似系数大多在80%以上。一旦3D-CNN模型经过良好训练，就可以通过转移学习技术有效地针对不同的质子剂量进行微调。对于使用消费级GPU的1500点光束的计划，计算一次剂量分布的推断时间约为0.8秒。

<结论>

CONCLUSION

提出了一种新的基于3D-CNN的点扫描质子剂量计算方法。3D-CNN模型能够计算任意SFUD点数据和束流照射角下的三维剂量和不确定度。我们提出的方法应该很容易扩展到其他装置和计划中，并且对于剂量验证、图像引导质子治疗或其他应用是有用的。