Enhancing the Spatial Resolution of Dose Measurements Using a Super-Resolution Geometry-Informed Neural Network

Resumen Técnico: Mejora de la Resolución Espacial de las Mediciones de Dosis Mediante una Red Neuronal de Superresolución Informada por la Geometría

Planteamiento del Problema
La verificación precisa de los planes de tratamiento de radioterapia fotónica requiere mediciones de dosis con una resolución espacial capaz de resolver gradientes de dosis pronunciados. Sin embargo, los detectores de fantomas tridimensionales basados en hardware, como el prototipo D3DF (Dose3D Future), están fundamentalmente limitados por el tamaño físico de su detector. El prototipo utiliza celdas cúbicas con longitudes de lado de 10 mm (1 cm³), lo que resulta en mapas de dosis sustancialmente más gruesos que las rejillas de vóxeles (típicamente de ~2.5 mm o 1 mm³) utilizadas por los Sistemas de Planificación de Tratamiento (TPS). Este desajuste de resolución impide la aplicación precisa de algoritmos estándar de interpolación o subdivisión para resolver las variaciones de dosis a la escala de las rejillas de vóxeles del TPS, particularmente para formas complejas y tratamientos con control respiratorio donde se desea un monitoreo 3D de alta fidelidad en tiempo real.

Metodología
Los autores proponen un marco de Superresolución (SR) guiado por el Plan RT-DICOM diseñado para reconstruir distribuciones de dosis a escala de vóxel (1 mm³) a partir de mediciones a escala de celda (1 cm³). El enfoque combina el aprendizaje profundo con información geométrica extraída directamente de los datos de planificación de radioterapia.

• Generación de Datos: El estudio utiliza una plataforma de simulación de Monte Carlo basada en Geant4 (G4RT) para generar conjuntos de datos emparejados. Estos conjuntos de datos consisten en muestras de "entrada" (dosis dispersa, a nivel de celda) y muestras "objetivo" (dosis de alta resolución, a nivel de vóxel). Los datos se derivan de archivos clínicos DICOM RT-Plan obtenidos del Instituto Nacional de Investigación Oncológica Maria Skłodowska-Curie, enfocándose específicamente en Puntos de Control (CP) con un ángulo de gantry de 0°.
• Momento de la Apertura Geométrica (GAM): Se introduce un descriptor geométrico novedoso, el GAM, como una entrada auxiliar para la red neuronal. El GAM es una codificación por vóxel de la configuración del Colimador Multiláminas (MLC) extraída del Plan RT. Se calcula como el segundo momento de las posiciones de las puntas de las láminas del MLC respecto al eje local del haz (Ecuación 2), vinculando efectivamente la geometría del haz a nivel de plan con la distribución espacial de la dosis. Esto permite que el modelo acceda a la información espacial relativa a la forma del haz que no es directamente observable en las mediciones gruesas del detector.
• Arquitectura de la Red Neuronal: El marco emplea una arquitectura UNet++ (una versión densa y avanzada de la U-Net estándar) implementada dentro del entorno médico MONAI. La red está diseñada para manejar datos volumétricos 3D.
• Canales de Entrada: Durante el preprocesamiento, se construyen dos canales de entrada:
  1. La distribución de dosis de entrada por vóxel, reescalada por los valores correspondientes de 3D GAM.
  2. Una máscara 2D binaria que describe la forma del campo, replicada a lo largo del eje Z y ponderada por profundidad mediante el perfil GAM.
• Estrategia de Entrenamiento: El modelo se entrena utilizando una Función de Pérdida Combinada (CombinedLossFunction) compuesta por un 50% de Error Cuadrático Medio (MSE) y un 50% de la medida de similitud estructural (SSIM). Se aplica supervisión profunda, incorporando valores de pérdida ponderados de cada nivel de resolución del proceso de reconstrucción de características.

Contribuciones Clave
El artículo identifica cuatro contribuciones primarias:

1. Arquitectura: La aplicación de una arquitectura UNet++ para la superresolución de dosis volumétrica, específicamente mapeando de una resolución de 1 cm³ a 1 mm³.
2. Descriptor Geométrico: La introducción del Momento de la Apertura Geométrica (GAM), una codificación geométrica por vóxel de las configuraciones del MLC derivada de los planes RT, utilizada como una entrada de condicionamiento para mejorar el rendimiento de la red.
3. Diseño Experimental: Un diseño experimental controlado donde las mediciones de dosis a nivel de celda se mantienen constantes a través de diferentes configuraciones de MLC. Esto aisla la contribución de las características guiadas por el plan, demostrando que el modelo puede distinguir entre diferentes geometrías subyacentes incluso cuando los datos de entrada gruesos son idénticos.
4. Evaluación Dual: Una evaluación exhaustiva que combina métricas estándar de similitud de imagen (PSNR, SSIM) con la Tasa de Paso Gamma (GPR), establecida clínicamente.

Resultos
El modelo fue evaluado en un subconjunto de prueba de 512 elementos (dividido en 7:2:1 para entrenamiento/validación/prueba).

• Métricas de Desempeño: Los mejores resultados se lograron en la época 1740, obteniendo una Relación Señal-Ruido de Pico (PSR) de 48.11 dB y una Tasa de Paso Gamma (GPR) del 94.52% (usando criterios de 3%/3 mm).
• Discriminación Geométrica: En una prueba dedicada utilizando máscaras de haz artificiales que produjeron distribuciones de dosis a nivel de celda idénticas pero patrones a nivel de vóxel diferentes, el modelo base (entrenado sin GAM) falló al reconstruir la geometría de alta resolución correcta, resultando en una GPR baja (36.9%–51.0%). En contraste, el modelo integrado con GAM reconstruyó con éxito la geometría de dosis correcta a escala de vóxel, logrando GPRs de 91.2% y 92.2% para los respectivos casos de prueba.
• Distribución de Errores: Los mapas de residuos indican que los errores de reconstrucción se concentran principalmente cerca de los bordes de la distribución de dosis, aunque estas discrepancias permanecen localizadas y no afectan significativamente la concordancia general.

Significancia y Reivindicaciones
Los autores afirman que la información de DICOM RT-Plan disponible de forma rutinaria puede mejorar sustancialmente la fidelidad de la reconstrucción de la dosis. Al integrar descriptores geométricos como el GAM, el marco permite la recuperación de detalles espaciales que de otro modo se perderían en las mediciones de detectores gruesos.

El artículo postula que este enfoque ofrece una alternativa computacionalmente eficiente a las simulaciones de Monte Carlo de alta resolución para la verificación de planes de tratamiento. Si bien el entrenamiento requiere recursos significativos, la fase de inferencia es órdenes de magnitud más rápida que los enfoques basados en MC. Los autores sugieren que este método podría permitir la verificación de planes de tratamiento de alta resolución sin la necesidad de hardware de detector más denso o el costo computacional del escaneo de vóxeles de alta resolución en simulaciones. Sin embargo, señalan modestamente que los resultados actuales dependen de datos generados por MC y que el trabajo futuro debe abordar la generación de conjuntos de datos más diversos para mejorar la generalización del modelo y abordar los cuellos de botella computacionales de la preparación de datos.