Machine Learning for Radiotherapy QA

Viktiga resultat som projektet gav

Vi har ett system som samtidigt mäter stråldos i ett fantom och flödet av högenergetiska partiklar (HP) som skapar stråldosen. Projektets syfte var att träna en ML-modell så att man kan förutsäga stråldosen från HP-flödet. Sedan ville vi analysera hur vi skulle kunna implementera en datapipeline som stödjer ML-modellen. Slutligen ville vi genom att genomföra projektet tillsammans med inhyrda specialister öka vår förmåga att driva och utveckla framtida ML- och AI-baserade projekt.

Långsiktiga effekter som förväntas

Efter projektets slut ser vi att det går bra att filtrera ut den icke-terapeutiska delen av HP om vi tränar ML-filtret mot teoretiskt data som genererats från en modell. Men det visar sig att de verktyg vi har för att konvertera den filtrerade HP-signalen till fantomdos inte ger tillräcklig överensstämmelse med verifieringsdata. ScandiDos har ökat sin kunskap inom ML- och AI-teknologi så vi står bättre rustade för att driva liknande projekt i framtiden.

Upplägg och genomförande

Projektet var uppdelat i fyra moment, WP1, WP2, WP3 och WP4. WP1 syftade till att förbättra och träna en ML-baserad modell för att förutsäga fantomdos utifrån det uppmätta HP-flödet, samt implementera en prototyp i existerande mjukvara. Då resultaten från WP1 inte var tillräckligt bra valde vi att inte göra WP2 och WP3; analysera och implementera en datapipeline. WP4 skulle öka ScandiDos kunskap inom ML- och AI-teknologi. Detta integrerades i WP1 genom samarbete med inhyrda specialister.