Metode hitre aproksimacije doznega polja visoke točnosti za fotonsko in protonsko radioterapijoŠkrijelj, Adis (Avtor) Špiclin, Žiga (Mentor) radioterapijaobsevanjedozni izračungloboko učenjeU-NetmagisterijiMetode globokega učenja kot univerzalni aproksimatorji so lahko uporabni za pospešitev in izboljšanje točnosti izračuna doznega polja v radioterapiji. V tem delu smo razvili in vrednotili globoke modele, ki na podlagi hitro izračunanega doznega polja napovejo dozno polje z višjo točnostjo. Za hiter izračun doznega polja v primeru obsevanja s fotoni smo uporabili algoritem svinčnikastega snopa (ang. Pencil Beam - PB), medtem ko smo točnejšo dozo izračunali z algoritmom porušenega stožca (ang. Collapsed Cone Convolution - CCC). V primeru obsevanja z delci oziroma protoni smo za oba izračuna uporabili Monte Carlo (MC) simulacijo, kjer smo za hitri izračun doze uporabili 10000 delcev za simulacijo, medtem ko smo za izračun točnejše doze uporabili 1000000 delcev. Osnovna globoka arhitektura za preslikavo doznih polj je bila tipa U-Net za protone in kaskadni 3D U-Net (C3D) za fotone. Uporabili in vrednotili smo različne kriterijske funkcije, in sicer povprečno absolutno napako, napako s skrčenjem, zaznavno napako (ang. perceptual loss) in gradientno napako, s čimer smo želeli oceniti vpliv posamezne kriterijske funkcije na točnost izhodne napovedane doze. Poleg običajnih arhitektur smo za napovedovanje MC doznega polja protonov uporabili tudi U-Net z modulom pozornosti (ang. Attention U-Net – AU-Net) in generativno nasprotniško mrežo (ang. Generative Adversarial Networks - GAN), kjer smo za generator in diskriminator uporabili arhitekturo U-Net. Model GAN smo uporabili tudi za napovedovanje CCC doznega polja fotonov, z razliko, da smo za generator uporabili C3D arhitekturo. V splošnem smo za napovedovanje MC doznega polja protonov uporabili manj kompleksne modele z manjšim številom parametrov, saj smo kljub intenzivnejši regularizaciji in bogatenju podatkov med učenjem opazili, da je pogosto prihajalo do nasičenja učenja (ang. overfitting). Modele za napovedovanje CCC doznih polj fotonov smo učili in ovrednotili na dveh podatkovnih zbirkah, in sicer na interni zbirki primerov raka prostate ter odprtokodni zbirki OpenKBP za primere raka na območju glave in vratu. Modele za napovedovanje MC doznih polj protonov ovrednotili le na interni zbirki primerov raka prostate. Rezultati so pokazali, da je model C3D uspešno napovedal CCC dozna polja fotonov z visoko točnostjo. Na interni podatkovni zbirki je model dosegel povprečno absolutno napako 0,0753 Gy in 98,86 % povprečni delež ustreznosti gama indeksa pri kriteriju 1 % / 1 mm ter 99,95 % pri kriteriju 2 % / 2 mm. Na zbirki OpenKBP so bile vrednosti nekoliko nižje zaradi večje anatomske kompleksnosti primerov raka glave in vratu v primerjavi s prostato. Povprečna absolutna napaka je znašala 0,18 Gy, povprečni delež ustreznosti gama indeksa pa 90,5 % pri kriteriju 1 % / 1 mm ter 96,54 % pri kriteriju 2 % / 2 mm. To so bili najboljši rezultati, ki jih je dosegel C3D model na podlagi učenja z gradientno napako kot kriterijsko funkcijo. Model GAN je prav tako napovedal dozno polje razmeroma podobno referenčnemu CCC doznemu polju, vendar ne tako točno kakor prej omenjeni C3D model. Na OpenKBP podatkovni zbirki je povprečni delež ustreznosti gama indeksa pri kriteriju 1 % / 1 mm znašal 87,0 %, pri kriteriju 2 % / 2 mm pa 95,0 %. Pri napovedovanju MC doznega polja protonov je najbolj točne napovedi dosegal model U-Net s povprečno abolutno napako 0,17 Gy. Povprečni delež ustreznosti gama indeksa pri kriteriju 1 % / 1 mm je znašal 90,0 %, pri kriteriju 2 % / 2 mm pa 98,5 %. Prednosti predlaganih pristopov so visoka točnost, kratek čas izračuna in možnost uporabe v realnem času med postopkom načrtovanja radioterapije. Slabosti predstavljajo omejena velikost učne množice in potreba po nadaljnji validaciji na kliničnih podatkih različnih anatomskih regij. V prihodnje bi bilo smiselno vključiti večje in bolj heterogene zbirke, razširiti arhitekturo na difuzijske in/ali transformerske modele ter raziskati možnost sočasnega vključevanja kliničnih ciljev v proces učenja. Rezultati vrednotenja potrjujejo, da lahko modeli globokega učenja zanesljivo nadomestijo računsko zahtevne fizikalne algoritme ter omogočijo hiter izračun doznega polja ter tako prispevajo k avtomatizaciji in pospešitvi načrtovanja radioterapije.A. Škrijelj20262026-05-12 14:50:02Magistrsko delo/naloga182460UDK: 615.849:004.8(043.3)VisID: 63336COBISS_ID: 281020163sl