基于深度学习加速EPID透射剂量图像蒙特卡罗模拟的可行性

摘要

目的：建立一种深度学习去噪模型，加速电子射野影像装置（EPID）透射剂量图像的蒙特卡罗模拟。方法：收集5野调强放疗的肺癌患者100例，共500个EPID射野，随机选取400个射野作为训练集，50个射野作为验证集，剩下的50个射野作为测试集。使用GPU加速的蒙特卡罗剂量计算引擎ARCHER模拟低粒子数（1×10～7）和高粒子数（1×10～9）的EPID透射剂量图像数据集。开发基于Swin Transformer和U-Net的去噪网络模型（SUNet），分别将低粒子数图像和高粒子数图像作为输入和输出对网络进行训练，并用该模型对测试集的低粒子数EPID图像进行去噪。利用结构相似性系数（SSIM）、峰值信噪比（PSNR）和γ通过率（3%/2 mm）等参数评估去噪效果，分析结合SUNet模型的蒙特卡罗模拟的计算效率。结果：SUNet去噪后图像与原始低粒子数图像相比，图像的质量大幅改善、噪点更少、剂量分布更平滑。SUNet去噪后图像与高粒子数图像相比，平均SSIM大于0.9，平均PSNR大于32 dB，平均γ通过率超过90%。结合SUNet的蒙特卡罗方法模拟一个EPID透射剂量图像仅需1.88 s，与高粒子数蒙特卡罗模拟相比计算效率提高大约40倍。结论：基于深度学习的去噪模型在保持图像质量和剂量准确性的同时大幅提高EPID透射剂量图像的蒙特卡罗模拟速度，为基于EPID的在体剂量验证提供可能。

关键词

电子射野影像装置 / 透射剂量图像 / 蒙特卡罗 / 深度学习 / 在体剂量验证