Integriertes Monte Carlo und Deep Learning verbessern die Qualitätssicherung der Strahlentherapie

Schnelligkeit und Genauigkeit bei der Strahlentherapie-Qualitätssicherung verbinden

Unter der Leitung von Professor Fu Jin befasst sich die Studie mit einer entscheidenden Herausforderung in der Strahlentherapie: der Balance zwischen Rechengeschwindigkeit und Genauigkeit der EPID-basierten Dosisüberprüfung. EPID hat sich zu einem Schlüsselinstrument für die In-vivo-Dosisüberprüfung in Echtzeit entwickelt. Allerdings steht die MC-Simulation, die lange Zeit als „Goldstandard“ für die Dosisberechnung galt, vor einem Dilemma: Eine Erhöhung der Anzahl simulierter Partikel gewährleistet eine höhere Genauigkeit, geht jedoch auf Kosten deutlich längerer Berechnungszeiten, wohingegen eine Reduzierung der Partikelanzahl störendes Rauschen mit sich bringt, das die Zuverlässigkeit der Ergebnisse beeinträchtigt.

Integrierte MC-DL-Technologie

Um dieser Herausforderung zu begegnen, kombinierte das Team den GPU-beschleunigten MC-Code ARCHER mit dem neuronalen Netzwerk SUNet – einer hochentwickelten Deep-Learning-Architektur, die auf Rauschunterdrückung spezialisiert ist. Anhand von IMRT-Fällen zu Lungenkrebs generierten sie zunächst über ARCHER verrauschte EPID-Übertragungsdosisdaten mit vier verschiedenen Partikelzahlen (1×10⁶, 1×10⁷, 1×10⁸, 1×10⁹). Anschließend wurde SUNet darauf trainiert, die Daten mit niedriger Partikelzahl zu entstören, wobei der hochgenaue 1×10⁹-Partikeldatensatz als Goldstandard-Referenz für die Überwachung diente.

Bemerkenswerte Ergebnisse: Geschwindigkeit und Genauigkeit erreicht

Das integrierte MC-DL-Framework zeigte eine außergewöhnliche Leistung sowohl hinsichtlich der Rechengeschwindigkeit als auch der dosimetrischen Genauigkeit. Bei der Verarbeitung der ursprünglich verrauschten 1×10⁶-Partikeldaten verbesserte die SUNet-Entrauschung den Strukturähnlichkeitsindex (SSIM) von 0,61 auf 0,95 und erhöhte die Gamma-Durchgangsrate (GPR) von 48,47 % auf 89,10 %. Für den 1×10⁷-Partikel-Datensatz – der einen optimalen Kompromiss darstellt – erreichten die entrauschten Ergebnisse einen SSIM von 0,96 und einen GPR von 94,35 %, während der 1×10⁸-Partikel-Fall nach der Verarbeitung einen GPR von 99,55 % erreichte. Der Entrauschungsschritt selbst erforderte nur 0,13–0,16 Sekunden, wodurch sich die Gesamtrechenzeit auf 1,88 s für das 1×10⁷-Partikelniveau und auf 8,76 s für das 1×10⁸-Partikelniveau reduzierte. Die entrauschten Bilder zeigten eine deutlich reduzierte Körnigkeit mit glatten Dosisprofilen, die klinisch relevante Merkmale beibehielten – was die praktische Durchführbarkeit dieses Ansatzes für eine effiziente Qualitätssicherung in der Strahlentherapie bestätigt.

Stärkung der klinischen Praxis und zukünftiger Forschung

Dieser Fortschritt ist besonders wirkungsvoll für die Online-ART, wo eine schnelle Dosisüberprüfung unerlässlich ist, um die Beschwerden des Patienten zu minimieren und anatomische Unterschiede während der Behandlung zu mildern. Die Methode bietet eine flexible Lösung: 1×10⁷-Partikel sorgen für ein optimales Gleichgewicht zwischen Geschwindigkeit und Genauigkeit für zeitkritische Szenarien, während 1×10⁸-Partikel eine höhere Präzision für anspruchsvolle Fälle bieten.

Durch die Integration der Genauigkeit der Monte-Carlo-Simulation mit der Recheneffizienz des Deep Learning haben wir eine praktische Lösung entwickelt, die den kritischen klinischen Bedarf an einer schnellen und zuverlässigen patientenspezifischen Qualitätssicherung erfüllt. Diese Technologie verbessert nicht nur bestehende Arbeitsabläufe in der Strahlentherapie, sondern schafft auch die Grundlage für fortschrittliche Anwendungen wie die 3D-Dosisrekonstruktion und eine umfassendere Implementierung an verschiedenen anatomischen Stellen.“

Professor Fu Jin

Das Team plant, das Modell auf andere Behandlungsstandorte auszudehnen, die SUNet-Architektur weiter zu optimieren und zusätzliche neuronale Netzwerkansätze zu erkunden, um die Fähigkeiten zur Dosisvorhersage zu verfeinern.

Quellen: