研究目的
研究深度学习与放射组学分析在从患者特异性QA伽马图像中分类是否存在引入的放疗实施误差方面的应用。
研究成果
利用卷积神经网络的深度学习方法能有效从患者特异性调强放疗(IMRT)质量保证伽马图像中分类是否存在引入的放疗实施误差。该深度学习方法的性能优于基于手工设计纹理特征的方法,且二者均优于基于阈值的通过标准。放射组学质量保证在提升临床放疗误差检测方面展现出应用前景。
研究不足
该研究聚焦于引入的投递误差中的一个有限子集,特别是涉及多叶准直器(MLC)的误差。数据集规模对于IMRT质量保证研究而言较为合适,但由于神经网络中参数数量众多,可能会引发对过拟合的担忧。该研究仅使用了采用单一伽马标准(3%/3mm)形成的伽马图像。
1:实验设计与方法选择:
本研究采用基于卷积神经网络的三重学习深度学习方法,以及使用纹理特征的手工设计方法进行图像特征提取。使用了四种机器学习分类器进行分类。
2:样本选择与数据来源:
评估了23个IMRT计划中186个IMRT射束的平面剂量图。每个计划被转移到圆柱形模体CT几何结构中,并导出三组平面剂量数据,分别对应无误差、随机MLC误差和系统MLC误差情况。
3:实验设备与材料清单:
配备Agility多叶准直器的Elekta Synergy直线加速器、Pinnacle 9.10治疗计划系统、iView电子射野影像装置(EPID)以及pdose EPID剂量测定软件包。
4:10治疗计划系统、iView电子射野影像装置(EPID)以及pdose EPID剂量测定软件包。
实验流程与操作步骤:
4. 实验流程与操作步骤:根据EPID测量值和计划剂量生成伽马图像。通过深度学习和手工设计方法提取特征,并对分类器进行训练和测试。
5:数据分析方法:
评估分类器的准确性,并比较深度学习、手工设计方法与基于阈值的准则之间的性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容