深度学习可实现快速准确的质子剂量计算

成功的放射治疗依赖于制定准确的治疗计划，将放射剂量精确地输送到规定的目标。 然而，该计划的准确性仅与潜在剂量计算的准确性一样好。 对于质子治疗，准确的剂量计算更为关键，因为质子提供的剂量分布比光子更适形，并且对解剖变化更敏感。

在梅奥诊所的第一届质子治疗研究研讨会上发言， 史蒂夫·江 – 医学人工智能与自动化教授兼主任（马亚) UT 西南医学中心的实验室——描述了质子剂量计算的关键要求——并描述了深度学习可以帮助实现这些目标的方式。

蒋解释说，除了高精度之外，质子剂量计算还需要快速。 对于治疗计划，这意味着几分钟； 用于在适应性放射治疗中进行分次递送之前重新计划，需要几秒钟。 展望未来，我们可能会看到在治疗过程中引入实时适应。 “我们现在不这样做，”他指出。 “但在某些时候，我们可能希望实时调整治疗计划。 对于这种应用，我们需要以毫秒为单位进行剂量计算。”

目前，有两种主要的用于剂量计算的技术，代表为：铅笔束算法，精度较低但速度相当快； 和蒙特卡洛 (MC) 模拟，它们更准确但通常慢得多。 “但我们需要质子剂量计算的准确性和速度，”江说。 “因此有一个未满足的临床需求：我们需要开发一种既快速又准确的算法。”

那么如何实现呢？ 一种方法是提高 MC 计算的效率，例如使用图形处理单元 (GPU) 来加速 MC 代码，或者使用基于深度学习的去噪来减少 MC 计算结果中固有的噪声。 另一种选择是采用深度学习方法来提高铅笔束算法的准确性。 最后，有可能开发出新的、完全不同的算法来满足这两个要求； 深度学习可以帮助探索这种可能性。

结合速度和准确性

MC 模拟的 GPU 加速已经成为可能。 十年前（在加州大学圣地亚哥分校和麻省总医院合作期间），Jiang 及其同事开发了 通用型PMC，一个用于在 GPU 上快速计算质子剂量的 MC 包。 这使得能够在 1-10 秒内计算出具有 20% 不确定性的典型质子处理计划。 蒋指出，借助当今更快的 GPU，gPMC 可能会提供更高的效率。

与 MAIA Lab 的同事合作，Jiang 还开发了一种基于深度学习的 MC 降噪器。 他们创建了一个 深剂量插件 可以添加到任何基于 GPU 的 MC 剂量引擎，以实现实时 MC 剂量计算。 降噪器只需 39 毫秒即可运行，整个剂量计算仅需 150 毫秒。 蒋指出，该插件是为光子束放射治疗而开发的，但也可用于质子剂量计算中的 MC 去噪。

接下来，Jiang 描述了直接使用深度学习技术进行剂量计算的方法。 他强调这与剂量预测不同，后者假设患者的解剖结构与其最佳剂量分布之间存在关系，并使用这种关系来建立预测模型。 在对同一疾病部位的历史治疗数据进行训练后，该模型会预测新患者的最佳剂量分布，并以此来指导治疗计划。 UT Southwestern 在临床上使用这种类型的患者特定剂量预测已有两年多了。

但剂量计算远不止这些。 “在这里，我们试图利用的关系是患者解剖结构加上机器参数与实际剂量分布之间的关系，”Jiang 说。 “你知道病人的解剖结构，你知道治疗计划，现在你想看看剂量分布是什么，所以这是剂量计算。”

蒋教授团队首先开发了基于深度学习的剂量计算模型 光子束放射治疗. 该模型使用 MC 计算的各种患者解剖结构和机器参数的剂量分布进行训练。 对于模型输入，该团队使用患者 CT 扫描和每个光束的射线追踪剂量分布，并将机器参数编码到射线追踪中。 “这使得整个深度学习过程更容易，并且是将物理学融入深度学习的好方法，”江指出。

研究人员采用了类似的方法 质子剂量计算，使用深度学习模型将笔形射束剂量计算的准确性提高到 MC 模拟的准确性。 他们使用铅笔束剂量分布和来自 TOPAS MC 平台的数据对 290 例头颈癌、肝癌、前列腺癌和肺癌病例进行了训练和测试。 对于每个计划，他们训练模型以根据笔形射束剂量预测 MC 剂量分布。

该方法在转换剂量和 MC 剂量之间实现了高度一致。 “与铅笔束相比，我们看到精度有了很大的提高，而且效率仍然很高，”江说。 开发的模型可以添加到质子治疗计划的临床工作流程中，以提高剂量计算的准确性。

江还强调了其他团体正在进行的类似研究，包括 迪斯科甘 来自武汉大学，DKFZ的使用 人工神经网络 用于质子剂量计算和 基于深度学习的毫秒速度剂量计算算法 在代尔夫特理工大学开发。

让用户放心

虽然深度学习可能是质子剂量计算的明显前进方向，但江指出，使用铅笔束算法和 MC 模拟等基于物理的模型，人们仍然感觉更舒服。 “当深度学习用于剂量计算的想法首次提出时，人们有顾虑，”他解释道。 “因为它是数据驱动的，而不是基于物理的，所以你不知道它什么时候会失败； 可能会发生不可预知的灾难性故障。 而且因为它是一个黑盒子，所以没有透明度。”

答案可能在于混合模型，例如上面描述的使用笔形光束或光线追踪数据作为深度学习模型输入的示例。 在这里，物理（机器参数）被编码在输入数据中，其准确度已经达到了 80-90%。 然后，深度学习可以解决诸如分散和不均匀性之类的影响，以获得剩余的 20% 的准确度，而这是使用分析算法很难实现的。 这应该提供所需的准确性和效率。

“我实际上认为这是一个好主意，因为它还可以消除不可预测的灾难性故障，”江总结道。 “我会对结果感到更舒服。 而且你会有一定程度的透明度，因为你知道一阶初级效应是基于物理的，这是正确的。”

该职位 深度学习可实现快速准确的质子剂量计算 最早出现 物理世界.

• 硬币聪明。 欧洲最好的比特币和加密货币交易所。
• 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 自由登入。
• 加密鹰。 山寨币雷达。 免费试用。
• 资料来源：https://physicalsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/