放射治療是癌症治療的重要手段，而精確的劑量控制是確保療效和減少副作用的關鍵。傳統的劑量驗證方法耗時且可能不夠精確，尤其是在複雜的動態放射治療中。近日，一項發表於《Nuclear Science and Techniques》期刊的研究，提出了一種結合蒙地卡羅（Monte Carlo, MC）模擬與深度學習（Deep Learning, DL）的新方法，大幅提升了放射治療品質保證（Quality Assurance, QA）的速度與精準度。
背景：提升放射治療劑量驗證效率
在放射治療中，電子射野影像裝置（Electronic Portal Imaging Device, EPID）被廣泛應用於即時體內劑量驗證。蒙地卡羅模擬被視為劑量計算的「黃金標準」，但其運算量龐大，耗時較長。增加模擬粒子數量雖能提高準確性，卻會顯著延長計算時間；減少粒子數量則會引入噪聲，影響結果的可靠性。
新方法：整合蒙地卡羅與深度學習
為了解決這個難題，研究團隊開發了一種整合蒙地卡羅模擬與深度學習的混合方法。該方法利用GPU加速的蒙地卡羅程式碼ARCHER，產生EPID傳輸劑量數據，並結合一種名為SUNet的深度學習架構，專門用於降噪。
具體而言，研究人員首先使用ARCHER模擬不同粒子數量（1×10⁶、1×10⁷、1×10⁸、1×10⁹）的EPID傳輸劑量數據，其中1×10⁹粒子數據被視為高保真度的「黃金標準」。SUNet則被訓練用於降低低粒子數量數據的噪聲，以高保真度數據作為監督學習的參考。
成果：速度與準確性的顯著提升
實驗結果顯示，這種整合的MC-DL框架在計算速度和劑量準確性方面都表現出色。對於原始噪聲較大的1×10⁶粒子數據，SUNet降噪後，結構相似性指標（Structural Similarity Index, SSIM）從0.61提升至0.95，伽瑪通過率（Gamma Passing Rate, GPR）從48.47%提升至89.10%。
對於1×10⁷粒子數據，降噪後的SSIM達到0.96，GPR達到94.35%，而1×10⁸粒子數據的GPR在處理後更達到99.55%。值得注意的是，降噪步驟本身僅需0.13–0.16秒，使得1×10⁷粒子數據的總計算時間縮短至1.88秒，1×10⁸粒子數據的總計算時間縮短至8.76秒。降噪後的圖像噪點明顯減少，劑量分佈平滑，同時保留了臨床相關的特徵，證實了該方法在放射治療QA中具有實際應用價值。
臨床應用與未來展望
這項技術的突破對於線上適應性放射治療（Online Adaptive Radiation Therapy, ART）尤為重要。在線上ART中，快速的劑量驗證至關重要，可以最大限度地減少患者的不適，並減輕治療過程中解剖結構的變化帶來的影響。該方法提供了一種靈活的解決方案：
對於時間敏感的場景，1×10⁷粒子數據可以在速度和準確性之間取得最佳平衡；對於要求更高的情況，1×10⁸粒子數據可以提供更高的精確度。
研究團隊計畫將該模型擴展到其他治療部位，進一步優化SUNet架構，並探索其他神經網路方法，以提高劑量預測能力。主持這項研究的傅瑾教授表示：
「通過整合蒙地卡羅模擬的準確性和深度學習的計算效率，我們開發了一種實用的解決方案，解決了臨床上對快速可靠的患者特定品質保證的迫切需求。這項技術不僅增強了現有的放射治療工作流程，還為先進應用奠定了基礎，例如3D劑量重建以及在不同解剖部位的更廣泛應用。」
總結與研判
這項研究成功地將蒙地卡羅模擬與深度學習相結合，為放射治療品質保證提供了一種更快速、更精準的方法。通過降低蒙地卡羅模擬所需的粒子數量，同時利用深度學習進行降噪，該方法在保證劑量準確性的前提下，大幅縮短了計算時間。這項技術的應用前景廣闊，有望推動線上適應性放射治療的發展，並最終改善癌症患者的治療效果。未來，隨著模型的進一步完善和應用範圍的擴展，相信將在放射治療領域發揮更大的作用。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: February 1, 2026