ディープラーニングにより、高速で正確な陽子線量計算が可能になります

放射線治療を成功させるには、処方された目標に正確に放射線量を照射する正確な治療計画を作成する必要があります。 ただし、この計画の精度は、基礎となる線量計算の精度と同程度です。 また、陽子線治療では、陽子が光子よりもコンフォーマルな線量分布を提供し、解剖学的変化に敏感であるため、正確な線量計算がさらに重要になります。

メイヨークリニックの第1回陽子線治療研究ワークショップで講演、 スティーブ・ジャン –医療人工知能と自動化の教授兼ディレクター（マイア）UTサウスウエスタンメディカルセンターの研究所–陽子線量計算の重要な要件を説明し、ディープラーニングがこれらの目標の達成に役立つ方法を説明しました。

高精度だけでなく、陽子線量の計算も高速である必要があるとJiang氏は説明しました。 治療計画の場合、これは数分を意味します。 適応放射線療法における分割送達の前に再計画するために、数秒。 さらに先を見据えて、治療の実施中にリアルタイムの適応が導入される可能性があります。 「現在、これは行っていません」と彼は述べています。 「しかし、ある時点で、治療計画をリアルタイムで適応させたいと思うかもしれません。 この種のアプリケーションでは、ミリ秒単位の線量計算が必要になります。」

現在、線量計算に使用される手法には主にXNUMXつのタイプがあり、次のように表されます。ペンシルビームアルゴリズム。精度は低くなりますが、非常に高速です。 およびモンテカルロ（MC）シミュレーション。これらはより正確ですが、通常ははるかに低速です。 「しかし、陽子線量の計算には精度と速度が必要です」とJiang氏は述べています。 「したがって、満たされていない臨床的ニーズがあります。高速で正確なアルゴリズムを開発する必要があります。」

では、これはどのように達成できますか？ XNUMXつのアプローチは、たとえばグラフィックスプロセッシングユニット（GPU）を使用してMCコードを高速化するか、深層学習ベースのノイズ除去を使用してMC計算結果に固有のノイズを低減することにより、MC計算の効率を向上させることです。 もうXNUMXつのオプションは、ディープラーニング手法を使用してペンシルビームアルゴリズムの精度を向上させることです。 最後に、両方の要件を満たす、まったく異なる新しいアルゴリズムを開発できる可能性があります。 ディープラーニングは、この可能性を探求するのに役立ちます。

速度と精度の組み合わせ

MCシミュレーションのGPUアクセラレーションはすでに可能です。 XNUMX年前（カリフォルニア大学サンディエゴ校に在籍し、マサチューセッツ総合病院と共同で）、Jiangと同僚は gPMC、GPUでの高速陽子線量計算用のMCパッケージ。 これにより、1〜10秒で20％の不確実性を伴う典型的な陽子線治療計画の計算が可能になりました。 Jiangは、今日のより高速なGPUを使用すると、gPMCがさらに高い効率を提供する可能性があると述べています。

Jiangは、MAIAラボの同僚と協力して、深層学習ベースのMCデノイザーも開発しました。 彼らは作成しました ディープドーズプラグイン これをGPUベースのMC線量エンジンに追加して、リアルタイムのMC線量計算を可能にすることができます。 デノイザーはわずか39ミリ秒で実行され、線量計算全体はわずか150ミリ秒かかります。 Jiangは、プラグインは光子ビーム放射線療法用に開発されたが、陽子線量計算のMCノイズ除去にも使用できると述べています。

次に、Jiangは、線量計算に直接深層学習手法を使用する方法について説明しました。 彼は、これは、患者の解剖学的構造と最適な線量分布との関係を想定する線量予測とは異なり、この関係を使用して予測モデルを構築することを強調しました。 同じ疾患部位の過去の治療からのデータでトレーニングした後、モデルは新しい患者の最適な線量分布を予測し、これを使用して治療計画を導きます。 UTサウスウエスタンは、このタイプの患者固有の線量予測をXNUMX年以上にわたって臨床的に採用してきました。

しかし、線量計算はこれ以上のものです。 「ここで、私たちが利用しようとしている関係は、患者の解剖学的構造と機械のパラメータと実際の線量分布との間にあります」とJiang氏は述べています。 「あなたは患者の解剖学的構造を知っていて、治療計画を知っています。今度は線量分布が何であるかを見たいので、それは線量計算です。」

Jiangのチームは、最初にディープラーニングベースの線量計算モデルを開発しました。 光子ビーム放射線療法。 モデルは、さまざまな患者の解剖学的構造と機械パラメータについて、MCで計算された線量分布を使用してトレーニングされます。 モデル入力については、チームは患者のCTスキャンと各ビームのレイトレーシング線量分布を使用し、マシンパラメータをレイトレーシングにエンコードしました。 「これにより、ディープラーニングプロセス全体が簡単になり、物理学をディープラーニングに組み込むための良い方法になります」とJiang氏は述べています。

研究者は同様のアプローチを 陽子線量計算、深層学習モデルを使用して、ペンシルビーム線量計算の精度をMCシミュレーションの精度に高めます。 彼らは、頭頸部がん、肝臓がん、前立腺がん、肺がんの290例について、ペンシルビームの線量分布とTOPASMCプラットフォームからのデータを使用してモデルをトレーニングおよびテストしました。 計画ごとに、彼らはペンシルビーム線量からMC線量分布を予測するようにモデルを訓練しました。

このアプローチは、変換された線量とMC線量の間で高レベルの一致を達成しました。 「ペンシルビームと比較すると、精度が大幅に向上し、効率は依然として非常に高いです」とJiang氏は述べています。 開発したモデルを陽子線治療計画の臨床ワークフローに追加して、線量計算の精度を向上させることができます。

江はまた、他のグループによって進行中の同様の研究を強調しました。 ディスコガン 武漢大学から、DKFZの使用 人工神経回路網 陽子線量計算用および 深層学習ベースのミリ秒速度線量計算アルゴリズム デルフト工科大学で開発されました。

ユーザーを安心させる

ディープラーニングは陽子線量計算の明らかな前進のように見えるかもしれませんが、Jiang氏は、ペンシルビームアルゴリズムやMCシミュレーションなどの物理ベースのモデルを使用する方が快適だと述べています。 「線量計算のための深層学習のアイデアが最初に出たとき、人々は懸念を抱いていました」と彼は説明しました。 「これは物理ベースではなくデータ駆動型であるため、いつ失敗するかわかりません。 予測できない壊滅的な障害が発生する可能性があります。 そして、それはブラックボックスであるため、透明性はありません。」

答えは、深層学習モデルへの入力としてペンシルビームまたはレイトレーシングデータを使用する上記の例などのハイブリッドモデルにある可能性があります。 ここで、物理（マシンパラメータ）は入力データにエンコードされており、すでに80〜90％の精度があります。 ディープラーニングは、散乱や不均一性などの影響に対処して、分析アルゴリズムでは達成が非常に難しい残りの20％の精度を得ることができます。 これにより、必要な精度と効率の両方が得られます。

「これは、予測できない壊滅的な障害を排除することもできるため、実際には良い考えだと思います」とJiang氏は結論付けました。 「私は結果にはるかに満足していると思います。 また、物理学に基づいた一次効果があることを知っているので、ある程度の透明性があります。それは正しいです。」

ポスト ディープラーニングにより、高速で正確な陽子線量計算が可能になります 最初に登場した 物理学の世界.

• コインスマート。 ヨーロッパで最高のビットコインと暗号通貨取引所。
• Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 出入り自由。
• CryptoHawk。 アルトコインレーダー。 無料トライアル。
• 出典: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/