000285244 001__ 285244
000285244 005__ 20260216094117.0
000285244 0247_ $$aG:(GEPRIS)580386328$$d580386328
000285244 035__ $$aG:(GEPRIS)580386328
000285244 040__ $$aGEPRIS$$chttp://gepris.its.kfa-juelich.de
000285244 150__ $$aVerbesserung der Dosisvorhersage in der Mikrostrahltherapie unter Verwendung bedingter, Flow-basierter neuronaler Netze$$y2026 -
000285244 371__ $$aDr. Marco Menen
000285244 450__ $$aDFG project G:(GEPRIS)580386328$$wd$$y2026 -
000285244 5101_ $$0I:(DE-588b)2007744-0$$aDeutsche Forschungsgemeinschaft$$bDFG
000285244 680__ $$aIn den letzten Jahren wurden große Fortschritte bei der Optimierung von Krebsbehandlungen mit Strahlentherapien erzielt, da neue Behandlungsmethoden auf Basis unterschiedlicher Strahlkonfigurationen entstanden sind. Ein vielversprechender Ansatz ist die Mikrostrahltherapie (MRT), bei der ein Gitter aus mikrometerbreiten Röntgenstrahlen zum Einsatz kommt und die im Vergleich zu herkömmlichen Strahlentherapien geringere Schäden am gesunden Gewebe aufweist. Genaue Dosisvorhersagen für die MRT sind jedoch nach wie vor eine Herausforderung, da noch keine Patientendaten verfügbar sind und die hohe benötigte Auflösung Monte-Carlo-Simulationen sehr rechenintensiv macht. Generative neuronale Netze (NNs) können die Dosisvorhersagen beschleunigen und dabei eine gute Genauigkeit beibehalten, womit sie sich gut für diese Anwendung eignen. Das Ziel dieses Projekts ist es, zu verstehen, wie ein bedingtes Flow-matching (CFM) Netzwerk zur Verbesserung der Dosisvorhersagen für MRT eingesetzt werden kann, wie es im Vergleich zu anderen NN-Architekturen abschneidet und welche Merkmale der Simulation es für die Datenerfassung nutzt. Dazu wird das CaloDream-Modell verwendet, das bereits höchste Genauigkeit bei der Kalorimeter-Shower-Generierung in der Teilchenphysik erreicht hat. Es wird für eine effiziente MRT-Dosisvorhersage trainiert und mit zuvor verwendeten NN-Architekturen verglichen. Die Ergebnisse werden in das Open-Source-Behandlungsplanungssystem matRad integriert. Schließlich wird symbolische Regression angewendet, um Merkmale des gelernten CFM-Netzwerks zu extrahieren und die Interpretierbarkeit der Ergebnisse zu verbessern.
000285244 909CO $$ooai:juser.fz-juelich.de:1054328$$pauthority:GRANT$$pauthority
000285244 909CO $$ooai:juser.fz-juelich.de:1054328
000285244 980__ $$aG
000285244 980__ $$aAUTHORITY