改进的差异鬼混洗U-Net：一种用于硼中子俘获疗法剂量计算的混合蒙特卡洛深度学习去噪器

《MEDICAL PHYSICS》：Enhanced difference ghost shuffle U-Net: A hybrid Monte Carlo deep learning denoiser for boron neutron capture therapy dose calculation

EDGS-UNet通过增强差分幽灵卷积和分层注意力机制实现快速精准的BNCT剂量计算，在保持高剂量梯度区域的同时减少计算资源，参数量仅为其他模型的十分之一。

　　

摘要

背景

硼中子俘获疗法（BNCT）是一种基于10B(n, α)7Li俘获反应的二元放射疗法。目前的BNCT治疗计划系统（TPS）依赖于蒙特卡洛（MC）模拟来进行剂量计算，但这需要很长时间才能获得临床上可接受的统计不确定性。最近的深度学习（DL）方法可以加速MC剂量计算，但通常需要大量的计算资源，并且在高剂量梯度区域会出现显著的剂量偏差，从而限制了其临床应用。

目的

我们提出了EDGS-UNet，这是一个混合MC-DL去噪框架，能够快速自动地对3D BNCT治疗剂量分布进行去噪，从而实现快速准确的剂量计算。

方法

EDGS-UNet从两个角度进行去噪：提高体素分辨率和减少粒子数量。具体来说，通过在粗网格模型中使用少量粒子进行MC模拟，生成噪声较大的BNCT剂量分量（D_B（硼剂量）、D_N（氮剂量）、D_H（氢剂量）和D_γ（伽马剂量）。然后，使用轻量级的3D U-Net将这些分量细化为无噪声的细网格剂量。该架构包括：（1）增强型差分幽灵卷积（EDGConv），可以在不增加额外参数或计算开销的情况下保留高频率梯度；（2）分层通道-空间-像素注意力（HCSPA）机制，用于自适应特征细化；（3）物理组分特定的能量守恒损失函数，以约束去噪过程。该模型使用TOPAS MC模拟在胶质母细胞瘤数据集（56个训练样本/9个验证样本/11个测试样本）上进行训练和评估。

结果

进行了统计评估，包括均方误差（MSE）、等剂量相似度、平均绝对百分比误差（MAPE）和靶区体积（GTV）的相对偏差。这些结果表明，EDGS-UNet在剂量去噪方面优于现有的先进架构（3D U-Net、Attention U-Net和GhostU-Net），尤其是在准确保留高梯度区域方面。对于GTV体积的98%和95%的剂量（D98和D95），去噪结果与模拟结果之间的相对偏差分别小于3%和3.5%。这一数值远低于其他架构。EDGS-UNet计算出的所有器官的MAPE值约为2%–5%，低于3D-UNet（6%–12%）、Attention-UNet（5%–11%）和Ghost-UNet（3%–13%）。此外，EDGS-UNet使用的参数仅为其他竞争模型的十分之一。EDGS-UNet生成的剂量体积直方图与MC模拟的结果高度一致，且生成的剂量图与真实剂量图的误差最小，进一步证明了其准确性。

结论

EDGS-UNet提供了一个即插即用的、具有临床前景的解决方案，可用于快速准确的BNCT剂量计算。这项工作有望促进BNCT在未来临床中的应用和发展。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

本研究使用了公开的数据集，可在线获取。