基于深度学习的个性化质量保证：通过卷积神经网络对伽马图像进行影像组学分析以识别放疗实施中的错误

摘要： 目的：针对调强放射治疗（IMRT）的患者特异性质量保证（QA）是临床常规操作，但传统方法常因对误差不敏感或效果不及其他物理检测手段而受到质疑。近期学界开始关注将影像组学（即图像特征的定量提取技术）应用于放疗质量保证领域。本研究采用深度学习方法，通过患者特异性QA数据判断治疗实施过程中是否存在人为引入的放疗误差。 方法：分析23个IMRT计划中186个射野的平面剂量图，每个计划均移植至圆柱形模体CT几何结构。每组计划导出三类平面剂量数据：1）无误差情况；2）随机多叶准直器（MLC）误差情况；3）系统性MLC误差情况。通过电子射野影像装置（EPID）获取实际照射剂量，结合计划剂量计算生成558幅伽马图像（使用EPID剂量分析软件）。研究采用两种影像组学方法：其一为基于三元组学习的卷积神经网络提取伽马图像特征；其二为手工设计的纹理特征提取法。将两类方法获得的指标输入四种机器学习分类器（支持向量机、多层感知器、决策树和k近邻算法），判断图像是否包含引入误差。设置双实验对照：二分类实验区分无误差与任意MLC误差图像；三分类实验区分无误差、随机MLC误差及系统性MLC误差图像。同时计算传统阈值通过标准作为对比。 结果：使用303幅伽马图像训练模型，255幅进行测试。深度学习方法取得最高分类准确率——二分类实验达77.3%，三分类实验为64.3%。纹理特征手工方法的性能较低（二分类最高66.3%，三分类53.7%）。四种机器学习分类器在深度学习方案中的结果差异性小于纹理特征方案。两种影像组学方法均优于传统阈值标准。 结论：基于卷积神经网络的深度学习技术能有效通过患者特异性伽马图像判断放疗实施误差的存在性。其性能超越纹理特征手工方法，且两种影像组学方案均优于传统阈值标准。结果表明影像组学质量保证是放疗临床应用的重要发展方向。