Fast <i>D</i> <sub>M,M</sub> calculation in LDR brachytherapy using deep learning methods
Notice bibliographique
Résumé
Abstract Objective. The Monte Carlo (MC) method provides a complete solution to the tissue heterogeneity effects in low-energy low-dose rate (LDR) brachytherapy. However, long computation times limit the clinical implementation of MC-based treatment planning solutions. This work aims to apply deep learning (DL) methods, specifically a model trained with MC simulations, to predict accurate dose to medium in medium ( D M,M ) distributions in LDR prostate brachytherapy. Approach. To train the DL model, 2369 single-seed configurations, corresponding to 44 prostate patient plans, were used. These patients underwent LDR brachytherapy treatments in which 125 I SelectSeed sources were implanted. For each seed configuration, the patient geometry, the MC dose volume and the single-seed plan volume were used to train a 3D Unet convolutional neural network. Previous knowledge was included in the network as an r 2 kernel related to the first-order dose dependency in brachytherapy. MC and DL dose distributions were compared through the dose maps, isodose lines, and dose-volume histograms. Features enclosed in the model were visualized. Main results. Model features started from the symmetrical kernel and finalized with an anisotropic representation that considered the patient organs and their interfaces, the source position, and the low- and high-dose regions. For a full prostate patient, small differences were seen below the 20% isodose line. When comparing DL-based and MC-based calculations, the predicted CTV D 90 metric had an average difference of −0.1%. Average differences for OARs were −1.3%, 0.07%, and 4.9% for the rectum D 2cc , the bladder D 2cc , and the urethra D 0.1cc . The model took 1.8 ms to predict a complete 3D D M,M volume (1.18 M voxels). Significance. The proposed DL model stands for a simple and fast engine which includes prior physics knowledge of the problem. Such an engine considers the anisotropy of a brachytherapy source and the patient tissue composition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».