Quality assurance and in vivo dosimetry via artificial neural networks
Dosimétrie in-vivo et contrôle qualité en radiothérapie externe par réseaux de neurones
Résumé
The field of artificial intelligence have received a considerable amount of attention in recent years, particularly thanks to the arrival of Deep learning. A wide range of applications can benefit from these models, provided there is sufficient data that is representative of the system. These scientific advances are mainly due to technological progress that enables significant computing capabilities with the use of GPUs. Artificial neural networks applied in the domain of external radiotherapy can be of great interest, especially for controlling the quality of treatments. In this work, a recent approach was investigated based on neural networks. These make possible the reconstruction of 2D absorbed dose distribution from the portal imager whose signal is recovered before and during the treatment, respectively, for quality assurance and in-vivo dosimetry. By correcting this signal, it is possible to verify that the patient has accurately received the prescribed treatment. The models used are either feed-forward multi-layer neural networks or convolutional neural networks. They have been applied to different types of treatments, such as conformational or intensity-modulated radiotherapy. In addition, several irradiation energies as well as different particle accelerators manufacturers have been supported. In order to assess the quality of the design, the clinical criterion γindex was used. Completely satisfactory results were obtained for the quality assurance phase. However, although promising result for the in-vivo dosimetry phase have been shown, there are still improvements to be made to be able to use such algorithms in clinical routine.
Le domaine de l'intelligence artificielle a subi un essor considérable ces dernières années, notamment avec l'arrivée du Deep learning. Des applications diverses peuvent bénéficier de ces modèles, à condition d'avoir suffisamment de données représentatives du système. Ces avancées scientifiques sont principalement dues aux prouesses tech- nologiques qui amènent des capacités de calculs notables avec l'utilisation des cartes graphiques. Les réseaux de neurones artificiels appliqués à la radiothérapie externe peuvent avoir un grand intérêt, notamment pour contrôler la qualité des traitements. Dans ce travail, une récente approche a été investiguée, basée sur des réseaux de neurones. Ceux-ci permettent de reconstruire une distribution de dose absorbée 2D à partir de l'imageur portal dont le signal est récupéré avant et pendant le traitement, respectivement, pour l'étape de contrôle qualité et de dosimétrie in-vivo. En appliquant des corrections sur ce signal, il est possible de vérifier que le patient a bien reçu ce qui lui avait été prescrit préalablement. Les modèles utilisés sont, soit des réseaux de neurones multi-couches de type feed-forward, soit des réseaux de neurones convolutionnels. Ils ont été appliqués à différents types de traitements tels que la radiothérapie conformationnelle ou celle à modulation d'intensité. De plus, plusieurs énergies d'irradiation ainsi que différentes marques d'accélérateurs de particules ont été prises en charge. Afin d'évaluer la qualité du modèle conçu, le critère clinique γindex a été utilisé. Des résultats tout à fait satisfaisants ont été obtenus pour la phase de contrôle qualité. Cependant, même si des résultats prometteurs pour la phase de dosimétrie in-vivo ont été montrés, il reste des améliorations à apporter pour pouvoir utiliser de tels algorithmes en routine clinique.
| Origine | Version validée par le jury (STAR) |
|---|