딥 러닝을 통해 빠르고 정확한 양성자 선량 계산 가능

성공적인 방사선 치료는 처방된 표적에 정확하게 방사선량을 전달할 정확한 치료 계획의 작성에 달려 있습니다. 그러나 이 계획의 정확도는 기본 선량 계산의 정확도만큼만 좋습니다. 그리고 양성자 치료의 경우 양성자는 광자보다 더 등각적인 선량 분포를 제공하고 해부학적 변화에 더 민감하기 때문에 정확한 선량 계산이 훨씬 더 중요합니다.

Mayo Clinic의 1st Proton Therapy Research Workshop에서 연설하면서, 스티브 장 – 의료 인공 지능 및 자동화 교수 및 이사 (마이 아) UT Southwestern Medical Center의 연구소는 양성자 선량 계산의 주요 요구 사항을 설명하고 딥 러닝이 이러한 목표를 달성하는 데 도움이 될 수 있는 방법을 설명했습니다.

Jiang은 높은 정확도뿐만 아니라 양성자 선량 계산도 빨라야 한다고 설명했습니다. 치료 계획을 위해 이것은 몇 분을 의미합니다. 적응 방사선 요법에서 분획 전달 전 재계획을 위해 몇 초. 더 멀리 내다보면 치료 전달 중 실시간 적응이 도입되는 것을 볼 수 있습니다. “우리는 지금 이것을 하지 않습니다.”라고 그는 지적했습니다. “그러나 어느 시점에서 우리는 실시간으로 치료 계획을 조정하고 싶을 수도 있습니다. 그런 종류의 적용을 위해서는 밀리초 단위의 선량 계산이 필요합니다.”

현재 선량 계산에 사용되는 두 가지 주요 기술 유형이 있습니다. 연필 빔 알고리즘은 정확도는 떨어지지만 매우 빠릅니다. 및 몬테카를로(MC) 시뮬레이션은 더 정확하지만 일반적으로 훨씬 느립니다. "그러나 우리는 양성자 선량 계산을 위해 정확성과 속도가 필요합니다."라고 Jiang이 말했습니다. "따라서 충족되지 않은 임상 요구 사항이 있습니다. 우리는 빠르고 정확한 알고리즘을 개발해야 합니다."

어떻게 이것을 달성할 수 있습니까? 한 가지 접근 방식은 GPU(그래픽 처리 장치)를 사용하여 예를 들어 MC 코드를 가속화하거나 딥 러닝 기반 잡음 제거를 사용하여 MC 계산 결과에 내재된 노이즈를 줄이는 방식으로 MC 계산의 효율성을 높이는 것입니다. 또 다른 옵션은 딥 러닝 방법을 사용하여 연필 빔 알고리즘의 정확도를 향상시키는 것입니다. 마지막으로 두 가지 요구 사항을 모두 충족하는 완전히 다른 새로운 알고리즘을 개발하는 것이 가능할 수 있습니다. 딥 러닝은 이러한 가능성을 탐색하는 데 도움이 될 수 있습니다.

속도와 정확성의 결합

MC 시뮬레이션의 GPU 가속은 이미 가능합니다. XNUMX년 전(UC 샌디에이고에 있는 동안 Mass General Hospital과 공동으로) Jiang과 동료들은 다음을 개발했습니다. gPMC, GPU에서 빠른 양성자 선량 계산을 위한 MC 패키지. 이를 통해 1-10초 동안 20%의 불확실성으로 일반적인 양성자 치료 계획을 계산할 수 있습니다. Jiang은 오늘날의 더 빠른 GPU를 사용하면 gPMC가 훨씬 더 높은 효율성을 제공할 수 있다고 말합니다.

MAIA Lab의 동료들과 함께 Jiang은 딥 러닝 기반 MC 노이즈 제거 장치도 개발했습니다. 그들은 창조했다 딥 도즈 플러그인 실시간 MC 선량 계산을 가능하게 하기 위해 GPU 기반 MC 선량 엔진에 추가할 수 있습니다. 노이즈 제거기는 39ms 만에 실행되며 전체 선량 계산은 150ms에 불과합니다. Jiang은 플러그인이 광자 빔 방사선 요법을 위해 개발되었지만 양성자 선량 계산에서 MC 노이즈 제거에도 사용할 수 있다고 언급합니다.

다음으로 Jiang은 선량 계산을 위해 딥 러닝 기술을 직접 사용하는 방법을 설명했습니다. 그는 이것이 환자의 해부학적 구조와 최적의 선량 분포 사이의 관계를 가정하는 선량 예측과 다르며 이 관계를 사용하여 예측 모델을 구축한다고 강조했습니다. 동일한 질병 부위의 과거 치료 데이터에 대한 훈련 후, 모델은 새로운 환자에 대한 최적의 선량 분포를 예측하고 이를 치료 계획을 안내하는 데 사용합니다. UT Southwestern은 XNUMX년 넘게 이러한 유형의 환자별 선량 예측을 임상적으로 사용해 왔습니다.

그러나 선량 계산은 이것 이상입니다. "여기서 우리가 이용하려고 하는 관계는 환자 해부학과 기계 매개변수와 실제 선량 분포 사이의 관계입니다."라고 Jiang은 말했습니다. "당신은 환자의 해부학을 알고 치료 계획을 알고 있으며 이제 선량 분포가 무엇인지 알고 싶으므로 선량 계산입니다."

Jiang의 팀은 먼저 딥 러닝 기반 선량 계산 모델을 개발했습니다. 광자 빔 방사선 요법. 모델은 다양한 환자 해부학 및 기계 매개변수에 대해 MC 계산 선량 분포를 사용하여 훈련됩니다. 모델 입력을 위해 팀은 환자 CT 스캔과 광선 추적에 인코딩된 기계 매개변수와 함께 각 빔에 대한 광선 추적 선량 분포를 사용했습니다. "이것은 전체 딥 러닝 프로세스를 더 쉽게 만들고 물리학을 딥 러닝에 통합하는 좋은 방법입니다."라고 Jiang은 말했습니다.

연구원들은 유사한 접근법을 적용했습니다. 양성자 선량 계산, 딥 러닝 모델을 사용하여 연필 빔 선량 계산의 정확도를 MC 시뮬레이션의 정확도로 높입니다. 그들은 290명의 두경부암, 간암, 전립선암 및 폐암 사례에 대해 TOPAS MC 플랫폼의 데이터와 연필 빔 선량 분포를 사용하여 모델을 훈련하고 테스트했습니다. 각 계획에 대해 연필 빔 선량에서 MC 선량 분포를 예측하도록 모델을 훈련했습니다.

이 접근 방식은 변환된 용량과 MC 용량 간에 높은 수준의 일치를 달성했습니다. "연필 빔과 비교할 때 정확도가 크게 향상되었으며 효율성은 여전히 ​​매우 높습니다."라고 Jiang이 말했습니다. 개발된 모델을 양성자 치료 계획의 임상 워크플로에 추가하여 선량 계산 정확도를 높일 수 있습니다.

Jiang은 또한 다음을 포함한 다른 그룹에서 진행 중인 유사한 연구를 강조했습니다. 디스코간 무한 대학에서 DKFZ의 사용 인공 신경망 양성자 선량 계산 및 딥러닝 기반 밀리초 속도 선량 계산 알고리즘 델프트 공과 대학에서 개발했습니다.

사용자를 안심시키기

딥 러닝이 양성자 선량 계산을 위한 명백한 방법으로 보일 수 있지만 Jiang은 사람들이 연필 빔 알고리즘 및 MC 시뮬레이션과 같은 물리학 기반 모델을 사용하는 것이 여전히 더 편안하다고 느낀다고 말했습니다. 그는 “선량계산을 위한 딥러닝 아이디어가 처음 나왔을 때 사람들이 우려했다”고 설명했다. “물리 기반이 아니라 데이터 기반이기 때문에 언제 실패할지 모릅니다. 예측할 수 없는 치명적인 오류가 발생할 수 있습니다. 그리고 블랙박스라 투명도가 없다”고 말했다.

답은 연필 빔 또는 광선 추적 데이터를 딥 러닝 모델에 대한 입력으로 사용하는 위에서 설명한 예와 같은 하이브리드 모델에 있을 수 있습니다. 여기에서 물리학(기계 매개변수)은 이미 80-90%의 정확도를 가진 입력 데이터에 인코딩됩니다. 그런 다음 딥 러닝은 분산 및 비균질성과 같은 효과를 처리하여 분석 알고리즘으로 달성하기 매우 어려운 나머지 20% 정확도를 얻을 수 있습니다. 이것은 원하는 정확도와 효율성을 모두 제공해야 합니다.

Jiang은 "예측할 수 없는 치명적인 실패를 제거할 수 있기 때문에 실제로 이것이 좋은 생각이라고 생각합니다."라고 결론지었습니다. “결과에 대해 훨씬 더 편안하게 느낄 것입니다. 또한 물리학 기반의 XNUMX차 XNUMX차 효과가 정확하다는 것을 알고 있기 때문에 어느 정도의 투명성을 갖게 될 것입니다.”

포스트 딥 러닝을 통해 빠르고 정확한 양성자 선량 계산 가능 첫 번째 등장 물리 세계.

• 코인스마트. 유럽 ​​최고의 비트코인 ​​및 암호화폐 거래소.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 무료 액세스.
• 크립토호크. 알트코인 레이더. 무료 시험판.
• 출처: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/