中国科学技术大学核医学物理研究所团队在医学物理领域权威期刊《Medical Physics》上发表了题为“Enhanced difference ghost shuffle U-Net: A hybrid Monte Carlo deep learning denoiser for boron neutron capture therapy dose calculation”的学术论文。论文第一作者是博士研究生王煊赫，通讯作者是徐榭教授和陈志副教授。
该论文提出了一种名为EDGS-UNet的混合蒙特卡罗-深度学习去噪框架，攻克了硼中子俘获治疗（BNCT）中剂量计算速度与精度不可兼顾的棘手问题。
目前的BNCT治疗计划系统（TPS）必需使用蒙特卡罗（MC）粒子输运模拟计算方法， 而MC方法为达到临床可接受的计算精度往往非常耗时， 有时需要数小时。近年来逐渐崭露头角的深度学习方法虽然能加速MC计算，但通常计算资源消耗大，且在高剂量梯度区域（如肿瘤边界）容易出现显著的剂量偏差。针对这一问题，研究团队提出了一种“提高分辨率+减少模拟粒子数”的混合策略。该方法首先利用MC模拟少量粒子生成粗网格的含噪剂量分布（包括硼剂量、氮剂量、氢剂量和光子剂量四个分量），然后通过轻量级的EDGS-UNet网络将其细化为精细网格的无噪剂量分布。
EDGS-UNet架构包含三大创新点：（1）提出了增强微分Ghost卷积（EDGConv），利用差分卷积在不增加计算开销的前提下，将梯度信息有效融入到了特征提取中；（2）引入了分层通道-空间-像素注意力（HCSPA）机制，实现了特征的自适应细化；（3）采用了基于物理的组分特定能量守恒损失函数，严格约束去噪过程符合物理规律，增强了模型的可解释性。
接受BNCT治疗的胶质母细胞瘤患者数据的验证结果表明，EDGS-UNet在剂量去噪精度上显著优于现有的3D U-Net、Attention U-Net和Ghost-UNet等模型。特别是在高剂量梯度的GTV区域，其D98和D95的相对偏差分别小于3%和3.5%，远低于其它对比模型。此外，该模型的参数量仅为其他竞争模型的十分之一，结合GPU加速技术，相比纯MC模拟实现了约90倍的计算加速。该工作提供了一种即插即用的高效解决方案，有望推动BNCT临床快速、精确剂量计算的发展。
图1 算法流程图
图1展示了Enhanced Difference Ghost Shuffle U-Net（EDGS-UNet）框架的算法工作流程。左侧利用TOPAS进行蒙特卡罗模拟，生成包含噪声的粗糙剂量组分（DB,DN,DH,Dγ）；中间部分为针对不同剂量组分训练的混合去噪网络，结合CT图像和解剖结构掩膜进行特征提取与去噪；右侧展示了去噪后的各组分剂量经过生物加权求和，得到最终的光子等效剂量（DIsoE），并与金标准进行性能评估对比。
图2 网络架构图
图2展示了网络架构图，EDGS-UNet是一个由4个阶段组成的U 形结构。该结构主要由Enhanced Difference Ghost Module模块（EDGM）、下采样、上采样和Residual Shuffle Ghost Module（RSGM）组成。
论文链接：https://doi.org/10.1002/mp.70100
