基于卷积神经网络的立体闪烁光三维剂量重建研究

目的 基于卷积神经网络(convolutional neural networks, CNN)对多视角闪烁光处理,重建放射治疗中三维相对剂量分布。方法 利用互补金属氧化物半导体(CMOS)成像传感器捕获正交三视角的荧光图像,将荧光图像转化为三维图像,输入已训练的卷积神经网络中进行剂量重建,分别评估不同射野重建剂量的伽马通过率、均方误差(MSE)、百分深度剂量(PDD)曲线和横向剂量分布(CBP)曲线。卷积神经网络模型为3D-Unet,其预先在虚拟数据集上进行训练。结果 以50%最大剂量为阈值,3%/3mm为标准,所有射野重建分布中心层面伽马通过率和立体平均伽马通过率均超过90%,均方误差维持在1%以下。所有射野重建分布的PDD曲线均方误差在1‰以下,CBP曲线均方误差在1％以下。结论 本研究实现了一种基于深度学习的三维闪烁光重建方法,完善了基于塑料闪烁体的瞬时三维相对剂量验证。