基于深度学习方法预测IMRT计划射野的γ通过率

摘要

目的:建立卷积神经网络(CNN)模型预测IMRT计划射野的γ通过率(GPR).方法:从Eclipse治疗计划系统中选取48例脑胶质瘤患者的IMRT计划,共计260个照射野,制作每个计划基于电子射野影像系统测量的验证计划,并在Varian 23EX直线加速器上执行.利用portal dosimetry剂量测定软件包对计划剂量的计算值和电子射野影像系统实测值进行γ分析,得到射野在2％(global)/2 mm标准下的GPR.选取portal dosimetry系统计算的剂量分布图作为输入数据,并将数据集划分为训练集208个射野,验证集和测试集各26个射野.基于tensorflow框架建立CNN模型去学习射野的剂量分布图与GPR之间的相关性,并使用平均绝对误差对模型的预测效果进行评估.结果:在验证集和测试集上,96％样本的GPR预测误差都小于±3％,最大误差分别为3.09％和3.54％,平均绝对误差分别为0.99％和1.17％,模型预测和实际测量的GPR之间的皮尔逊相关性系数r分别为0.96和0.90.结论:深度学习CNN模型可以准确地预测脑胶质瘤患者IMRT计划射野的GPR,有助于物理师提前识别可能不能通过QA测量的计划,有效地促进临床放疗的QA工作.