Deep Learning ermöglicht schnelle und genaue Berechnungen der Protonendosis

Eine erfolgreiche Strahlentherapie beruht auf der Erstellung eines genauen Behandlungsplans, der die Strahlendosis genau an die vorgeschriebenen Ziele abgibt. Die Genauigkeit dieses Plans ist jedoch nur so gut wie die Genauigkeit der zugrunde liegenden Dosisberechnungen. Und für die Protonentherapie ist eine genaue Dosisberechnung noch wichtiger, da Protonen eine konformere Dosisverteilung liefern als Photonen und empfindlicher auf anatomische Veränderungen reagieren.

Rede auf dem 1. Protonentherapie-Forschungsworkshop der Mayo Clinic, Steve Jiang – Professor und Direktor der Medical Artificial Intelligence and Automation (Maia) Laboratory am UT Southwestern Medical Center – beschrieb die wichtigsten Anforderungen an die Berechnung der Protonendosis – und beschrieb Wege, wie Deep Learning dazu beitragen könnte, diese Ziele zu erreichen.

Neben einer hohen Genauigkeit, erklärte Jiang, müssen die Berechnungen der Protonendosis auch schnell sein. Für die Behandlungsplanung bedeutet dies wenige Minuten; für die Neuplanung vor der Fraktionsabgabe in der adaptiven Strahlentherapie einige Sekunden. Wenn wir weiter in die Zukunft blicken, sehen wir möglicherweise die Einführung der Echtzeit-Anpassung während der Behandlung. „Das machen wir jetzt nicht“, bemerkte er. „Aber irgendwann möchten wir den Behandlungsplan vielleicht in Echtzeit anpassen. Für diese Art von Anwendung benötigen wir eine Dosisberechnung in Millisekunden.“

Gegenwärtig gibt es zwei Hauptarten von Techniken, die für die Dosisberechnung verwendet werden, repräsentiert durch: Pencil-Beam-Algorithmen, die weniger genau, aber ziemlich schnell sind; und Monte Carlo (MC)-Simulationen, die genauer, aber typischerweise viel langsamer sind. „Aber wir brauchen Genauigkeit und Geschwindigkeit für die Berechnung der Protonendosis“, sagte Jiang. „Es gibt also einen unbefriedigten klinischen Bedarf: Wir müssen einen Algorithmus entwickeln, der sowohl schnell als auch genau ist.“

Wie kann dies erreicht werden? Ein Ansatz besteht darin, die Effizienz von MC-Berechnungen zu verbessern, indem beispielsweise Grafikprozessoren (GPUs) verwendet werden, um MC-Code zu beschleunigen, oder Deep-Learning-basiertes Denoising, um das Rauschen zu reduzieren, das MC-berechneten Ergebnissen innewohnt. Eine weitere Option ist der Einsatz von Deep-Learning-Methoden, um die Genauigkeit von Pencil-Beam-Algorithmen zu verbessern. Schließlich ist es möglich, neue, völlig unterschiedliche Algorithmen zu entwickeln, die beide Anforderungen erfüllen; und Deep Learning könnte dabei helfen, diese Möglichkeit zu erforschen.

Geschwindigkeit und Genauigkeit kombinieren

GPU-Beschleunigung von MC-Simulationen ist bereits möglich. Vor zehn Jahren (während seiner Zeit an der UC San Diego und in Zusammenarbeit mit dem Mass General Hospital) entwickelten Jiang und seine Kollegen gPMC, ein MC-Paket zur schnellen Berechnung der Protonendosis auf einer GPU. Dies ermöglichte die Berechnung eines typischen Protonenbehandlungsplans mit 1 % Unsicherheit in 10–20 s. Jiang merkt an, dass gPMC mit den heutigen schnelleren GPUs eine noch höhere Effizienz bieten könnte.

In Zusammenarbeit mit Kollegen im MAIA Lab hat Jiang außerdem einen Deep-Learning-basierten MC-Denoiser entwickelt. Sie schufen eine Deep-Dose-Plugin die jeder GPU-basierten MC-Dosis-Engine hinzugefügt werden kann, um eine MC-Dosisberechnung in Echtzeit zu ermöglichen. Der Denoiser läuft in nur 39 ms, die gesamte Dosisberechnung in nur 150 ms. Jiang merkt an, dass das Plugin für die Photonenstrahl-Strahlentherapie entwickelt wurde, aber auch für die MC-Entrauschung bei Protonendosisberechnungen verwendet werden könnte.

Als nächstes beschrieb Jiang Möglichkeiten, Deep-Learning-Techniken direkt für die Dosisberechnung zu verwenden. Er betonte, dass sich dies von der Dosisvorhersage unterscheidet, die eine Beziehung zwischen der Anatomie eines Patienten und seiner optimalen Dosisverteilung annimmt und diese Beziehung verwendet, um ein Vorhersagemodell zu erstellen. Nach dem Training mit Daten aus früheren Behandlungen derselben Krankheitsstelle sagt das Modell eine optimale Dosisverteilung für den neuen Patienten voraus und verwendet diese, um die Behandlungsplanung zu steuern. UT Southwestern setzt diese Art der patientenspezifischen Dosisvorhersage nun seit über zwei Jahren klinisch ein.

Aber die Dosisberechnung ist mehr als das. „Hier versuchen wir, die Beziehung zwischen der Anatomie des Patienten plus Maschinenparametern und der tatsächlichen Dosisverteilung auszunutzen“, sagte Jiang. „Sie kennen die Anatomie des Patienten, Sie kennen den Behandlungsplan, jetzt möchten Sie sehen, wie die Dosisverteilung ist, also ist es eine Dosisberechnung.“

Jiangs Team entwickelte zunächst das auf Deep Learning basierende Dosisberechnungsmodell für Photonenstrahl-Strahlentherapie. Das Modell wird unter Verwendung von MC-berechneten Dosisverteilungen für verschiedene Patientenanatomien und Maschinenparameter trainiert. Für die Modelleingaben verwendete das Team den CT-Scan des Patienten und die Strahlenverfolgungs-Dosisverteilung für jeden Strahl, wobei Maschinenparameter in die Strahlenverfolgung codiert wurden. „Dies erleichtert den gesamten Deep-Learning-Prozess und ist eine gute Möglichkeit, Physik in das Deep Learning einzubeziehen“, bemerkte Jiang.

Die Forscher wendeten einen ähnlichen Ansatz für an Berechnung der Protonendosis, unter Verwendung eines Deep-Learning-Modells, um die Genauigkeit der Bleistiftstrahl-Dosisberechnung auf die von MC-Simulationen zu erhöhen. Sie trainierten und testeten das Modell unter Verwendung von Nadelstrahl-Dosisverteilungen und Daten von der TOPAS MC-Plattform für 290 Fälle von Kopf-Hals-, Leber-, Prostata- und Lungenkrebs. Für jeden Plan trainierten sie das Modell, um die MC-Dosisverteilung aus der Bleistiftstrahldosis vorherzusagen.

Der Ansatz erzielte eine hohe Übereinstimmung zwischen der konvertierten und der MC-Dosis. „Im Vergleich zum Bleistiftstrahl sehen wir eine enorme Verbesserung der Genauigkeit, und die Effizienz ist immer noch sehr hoch“, sagte Jiang. Das entwickelte Modell kann dem klinischen Arbeitsablauf der Protonenbehandlungsplanung hinzugefügt werden, um die Genauigkeit der Dosisberechnung zu verbessern.

Jiang hob auch ähnliche Untersuchungen hervor, die von anderen Gruppen durchgeführt wurden, darunter DiscoGAN von der Universität Wuhan, Verwendung des DKFZ künstliche neurale Netzwerke zur Berechnung der Protonendosis und Deep-Learning-basierter Dosisberechnungsalgorithmus mit Millisekundengeschwindigkeit entwickelt an der Technischen Universität Delft.

Benutzer beruhigt halten

Während Deep Learning der offensichtliche Weg nach vorne für die Berechnung der Protonendosis zu sein scheint, stellte Jiang fest, dass sich die Menschen immer noch wohler fühlen, wenn sie physikbasierte Modelle wie Pencil-Beam-Algorithmen und MC-Simulationen verwenden. „Als die Idee des Deep Learning zur Dosisberechnung zum ersten Mal aufkam, hatten die Leute Bedenken“, erklärte er. „Da es datengesteuert und nicht physikbasiert ist, weiß man nicht, wann es versagen wird; Es kann zu unvorhersehbaren katastrophalen Ausfällen kommen. Und weil es eine Black Box ist, gibt es keine Transparenz.“

Die Antwort könnte in hybriden Modellen liegen, wie den oben beschriebenen Beispielen, die Pencil-Beam- oder Raytracing-Daten als Eingaben für ein Deep-Learning-Modell verwenden. Hier ist die Physik (Maschinenparameter) in den Eingangsdaten kodiert, die bereits eine Genauigkeit von 80–90 % hat. Deep Learning kann dann Effekte wie Streuung und Inhomogenität angehen, um die verbleibenden 20 % Genauigkeit zu erreichen, die mit analytischen Algorithmen nur sehr schwer zu erreichen sind. Dies sollte sowohl die gewünschte Genauigkeit als auch Effizienz bereitstellen.

„Ich halte das eigentlich für eine gute Idee, weil es auch unvorhersehbare, katastrophale Ausfälle beseitigen kann“, schloss Jiang. „Ich würde mich mit den Ergebnissen viel wohler fühlen. Außerdem hättest du ein gewisses Maß an Transparenz, weil du weißt, dass der Primäreffekt erster Ordnung physikalisch basiert, und das ist richtig.“

Die Post Deep Learning ermöglicht schnelle und genaue Berechnungen der Protonendosis erschien zuerst auf Physik-Welt.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/