Deep Learning beschleunigt Monte-Carlo Dosisberechnung in der Radioonkologie

Monte-Carlo Dosisberechnungen gelten als Goldstandard in der Strahlentherapieplanung, insbesondere aufgrund ihrer hohen Genauigkeit bei der Dosisberechnung. Ihre breite klinische Anwendung war bislang jedoch durch lange Rechenzeiten begrenzt. Ein interdisziplinäres Forschungsteam unserer Klinik hat nun in Zusammenarbeit mit dem Center for Artificial Intelligence in Medicine (CAIM) der Universität Bern eine vielversprechende Lösung vorgestellt: den Einsatz von Deep Learning zur erheblichen Beschleunigung dieser Berechnungen.

In einer kürzlich in der Zeitschrift für Medizinische Physik veröffentlichten Proof-of-Concept-Studie wurde gezeigt, dass mittels neuronaler Netze verrauschte, aber schnell berechnete Monte-Carlo Dosisverteilungen effizient „entrauscht“ und auf das Niveau von präzisen, jedoch rechenintensiven Referenzdaten gebracht werden können. Dieses Verfahren wurde erfolgreich in unser internes Forschungs-Framework „Swiss Monte Carlo Plan“ integriert.

Kernaussagen der Studie:

  • Das Deep-Learning-Modell reduziert die durchschnittliche Rechenzeit auf nur 35,1 Sekunden – bei einer Effizienzsteigerung um den Faktor 340.
  • Die Dosisverteilungen zeigen eine vielversprechende Genauigkeit.
  • Der Ansatz zeigt ein hohes Potenzial für die Integration in zukünftige Behandlungsplanungssysteme.

Die Arbeit basiert auf der Masterarbeit von Raphael Joost und verdeutlicht die Stärke der Zusammenarbeit zwischen der Universitätsklinik für Radio-Onkologie und der Abteilung für Medizinische Strahlenphysik am Inselspital sowie dem Center for Artificial Intelligence in Medicine (CAIM) der Universität Bern.

Mit dieser Forschung leisten wir einen wichtigen Beitrag zur Weiterentwicklung der computergestützten Strahlentherapie – schneller, effizienter und präziser.

Hier geht es zur Studie:
DeepSMCP

LinkedIn:
LinkedIn-Post CAIM

Center for Artificial Intelligence in Medicine, Universität Bern:
CAIM

Graphische Darstellung des DeepSMCP-Ansatzes: Durch den Einsatz von Deep Learning werden verrauschte Monte-Carlo-Dosisverteilungen (links) in geglättete Dosisverteilungen (rechts) umgewandelt. Bild: Dr. Hannes Anton Löbner

« Retour