Sommaire
Allier rapidité et précision dans l’assurance qualité en radiothérapie
Dirigée par le professeur Fu Jin, l'étude aborde un défi crucial en radiothérapie : équilibrer la vitesse de calcul et la précision de la vérification des doses basée sur l'EPID. L’EPID est devenu un outil clé pour la vérification des doses in vivo en temps réel. Cependant, la simulation MC, longtemps considérée comme la « référence » en matière de calcul de dose, est confrontée à un dilemme : l'augmentation du nombre de particules simulées garantit une plus grande précision, mais au prix de temps de calcul nettement plus longs, tandis que la réduction du nombre de particules introduit un bruit perturbateur qui compromet la fiabilité des résultats.
Technologie MC-DL intégrée
Pour relever ce défi, l'équipe a combiné le code MC ARCHER accéléré par GPU avec le réseau neuronal SUNet, une architecture sophistiquée d'apprentissage en profondeur spécialisée dans le débruitage. À l’aide de cas IMRT de cancer du poumon, ils ont d’abord généré des données bruyantes sur la dose de transmission EPID avec quatre nombres de particules différents (1 × 10⁶, 1 × 10⁷, 1 × 10⁸, 1 × 10⁹) via ARCHER. SUNet a ensuite été formé pour débruiter les données à faible nombre de particules, l'ensemble de données de particules haute fidélité 1 × 10⁹ servant de référence de référence en matière de supervision.
Résultats remarquables : vitesse et précision obtenues
Le cadre MC‑DL intégré a démontré des performances exceptionnelles en termes de vitesse de calcul et de précision dosimétrique. Lors du traitement des données de particules 1 × 10⁶ initialement bruitées, le débruitage SUNet a amélioré l'indice de similarité structurelle (SSIM) de 0,61 à 0,95 et a augmenté le taux de transmission gamma (GPR) de 48,47 % à 89,10 %. Pour l'ensemble de données de particules 1 × 10⁷, représentant un compromis optimal, les résultats débruités ont atteint un SSIM de 0,96 et un GPR de 94,35 %, tandis que le cas des particules 1 × 10⁸ a atteint un GPR de 99,55 % après traitement. L'étape de débruitage elle-même n'a nécessité que 0,13 à 0,16 seconde, réduisant le temps de calcul total à 1,88 s pour le niveau de particules 1×10⁷ et à 8,76 s pour le niveau de particules 1×10⁸. Les images débruitées présentaient une granulométrie nettement réduite, avec des profils de dose lisses qui conservaient des caractéristiques cliniquement pertinentes, confirmant la viabilité pratique de cette approche pour une assurance qualité efficace en radiothérapie.
Renforcer la pratique clinique et la recherche future
Cette avancée est particulièrement importante pour le TAR en ligne, où une vérification rapide de la dose est essentielle pour minimiser l'inconfort du patient et atténuer les variations anatomiques pendant le traitement. La méthode offre une solution flexible : les particules 1×10⁷ offrent un équilibre optimal entre vitesse et précision pour les scénarios sensibles au temps, tandis que les particules 1×10⁸ offrent une plus grande précision pour les cas exigeants.
« En intégrant la précision de la simulation Monte Carlo à l'efficacité informatique de l'apprentissage profond, nous avons développé une solution pratique qui répond au besoin clinique critique d'une assurance qualité rapide et fiable spécifique au patient », a déclaré le professeur Fu Jin. « Cette technologie améliore non seulement les flux de travail de radiothérapie existants, mais établit également une base pour des applications avancées, telles que la reconstruction de dose en 3D et une mise en œuvre plus large sur divers sites anatomiques. »
L'équipe prévoit d'étendre le modèle à d'autres sites de traitement, d'optimiser davantage l'architecture SUNet et d'explorer d'autres approches de réseau neuronal pour affiner les capacités de prédiction de dose.
