RadField3D: A Data Generator and Data Format for Deep Learning in Radiation-Protection Dosimetry for Medical Applications

Deze paper introduceert RadField3D, een open-source Geant4-toepassing voor het genereren van driedimensionale stralingsvelddatasets en een bijbehorend machine-interpretabel dataformaat met Python-API, die samen zijn ontwikkeld om diep learning-methoden te onderzoeken als alternatief voor traditionele stralingsimulaties in de medische dosimetrie.

De kern

🏥 De Stralings-Weerkaart voor Dokters

Stel je voor dat je in een ziekenhuis bent, waar artsen ingewikkelde ingrepen doen met röntgenstraling (zoals bij hartkatheterisaties). Het probleem? De straling is niet gelijkmatig verspreid. Het is alsof je in een kamer staat waar de zon schijnt, maar door een raam met luiken. Op sommige plekken is het fel licht, op andere plekken zit je in de schaduw, en soms weerkaatst het licht tegen de muren.

Voor de dokters en verpleegkundigen die daar werken, is het lastig om te weten hoeveel straling ze precies krijgen. De huidige meetapparatuur is als een thermometer die je op één punt vasthoudt: die zegt je hoe warm het is op die ene plek, maar niet of je hoofd wel of niet verbrandt of of je rug koude voeten krijgt.

🎮 Het Probleem: Te Traag voor Echt

Om te weten hoeveel straling er op elk punt in de kamer is, gebruiken wetenschappers een computerprogramma dat de straling deeltje voor deeltje simuleert. Dit heet een "Monte-Carlo-simulatie".

• De vergelijking: Stel je voor dat je een enorme hoekbak vol met muntstukken hebt en je gooit ze één voor één in de bak om te zien waar ze landen. Als je dat doet met 100 muntstukken, duurt het even. Maar als je 100 miljoen muntstukken nodig hebt voor een nauwkeurig antwoord, duurt het eeuwen.
• Het probleem: Voor een arts die in een VR-bril (Virtual Reality) wil oefenen, of voor een systeem dat in real-time waarschuwt, is deze berekening veel te langzaam. Het is alsof je een video probeert af te spelen, maar de computer moet elke seconde wachten tot de volgende frame is berekend.

🚀 De Oplossing: RadField3D

De auteurs van dit paper hebben twee dingen bedacht om dit probleem op te lossen:

1. De "Stralings-Fotograaf" (RadField3D)

Ze hebben een nieuw computerprogramma gemaakt (RadField3D) dat deze stralingssimulaties veel slimmer en sneller doet.

• Hoe het werkt: In plaats van elke muntstuk (stralingsdeeltje) handmatig te volgen, maken ze een 3D-kaart van de kamer. Ze verdelen de ruimte in kleine blokjes (zoals Legoblokjes of pixels in een foto).
• De truc: Het programma rekent uit hoeveel straling in elk blokje terechtkomt. Het maakt onderscheid tussen het directe licht van de lamp (de stralingsbundel) en het weerkaatste licht (de straling die tegen de patiënt en muren botst).
• De controle: Ze hebben dit getest in het lab met echte meetinstrumenten rondom een pop (een "phantom" die een mens nabootst). Het resultaat? De computerkaart kwam heel goed overeen met de echte metingen. Het is als een GPS die de straling in de kamer tot op de centimeter nauwkeurig kan voorspellen.

2. De "Universele USB-Stick" (RadFiled3D)

Het tweede deel van hun werk is een nieuwe manier om die data op te slaan.

• Het probleem: Tot nu toe slaatten verschillende onderzoekers hun stralingdata op in heel verschillende formaten. Het was alsof de één zijn foto's op een CD-ROM zette, de ander op een floppy, en een derde op een vreemde cassettebandje. Je kon de data van de één niet makkelijk gebruiken door de ander, zeker niet voor moderne kunstmatige intelligentie (AI).
• De oplossing: Ze hebben een nieuwe, simpele bestandsindeling bedacht (RadFiled3D).
• De analogie: Stel je voor dat ze een universele USB-stick hebben uitgevonden die in elk apparaat past. Of nog beter: een Lego-bak waar alle blokjes precies hetzelfde formaat hebben en een duidelijke label hebben.
  • Het bestand is snel te lezen.
  • Het bevat alle belangrijke info (hoeveel straling, welke energie, statistische foutmarges).
  • Het werkt perfect met Python (de programmeertaal die AI en machine learning gebruikt).

🤖 Waarom is dit belangrijk voor de toekomst?

Dit klinkt misschien als droge techniek, maar het opent de deur voor de toekomst:

1. Snellere AI: Omdat de data nu in een "AI-vriendelijk" formaat zit, kunnen wetenschappers nu snel neurale netwerken (een soort slimme computerhersenen) trainen.
2. De "Gok" wordt een "Berekening": In plaats van dat een AI moet gokken hoeveel straling er is, kan het leren van deze enorme, nauwkeurige datasets.
3. Real-time VR Training: Op termijn kunnen we VR-systemen bouwen die artsen in real-time vertellen: "Pas op, je staat nu in een stralingshotspot, buig je rug iets meer!" Dit zou de stralingsdosis voor medisch personeel drastisch kunnen verlagen.

Samenvatting in één zin

De auteurs hebben een snelle, nauwkeurige 3D-kaartmaker voor straling gebouwd en een standaardformaat bedacht zodat computers en AI deze kaarten makkelijk kunnen lezen, zodat we in de toekomst artsen beter kunnen beschermen tegen straling.

Technische samenvatting

Probleemstelling

In de intervensionele radiologie (IR) zijn medisch personeel blootgesteld aan niet-uniforme stralingsvelden, wat het nauwkeurig beoordelen van individuele doses bemoeilijkt. Bestaande methoden voor persoonlijke dosimetrie zijn vaak onbetrouwbaar in deze omgevingen omdat ze zijn ontworpen voor uniform verdeelde stralingsvelden. Hoewel computationele dosimetrie-systemen (die posities en houdingen van personeel volgen) veelbelovend zijn, ontbreekt het aan snelle, real-time simulaties. Traditionele Monte-Carlo-simulaties (MCS) zijn te traag voor real-time toepassingen, zoals VR-trainingssimulaties. Daarnaast ontbreekt het aan gestandaardiseerde, open-source datasets en dataformaten die specifiek zijn ontworpen voor het trainen van deep learning-modellen om deze simulaties te versnellen. Bestaande dataformaten (zoals ROOT of DICOM) zijn vaak te complex, niet efficiënt leesbaar, of niet geschikt voor gesimuleerde data zonder fysieke machine-metadata.

Methodologie

De auteurs hebben RadField3D ontwikkeld, een open-source applicatie gebaseerd op de Geant4 Monte-Carlo toolkit, en een nieuw dataformaat genaamd RadFiled3D.

1. Simulatie en Voxelisatie (RadField3D):

   • De simulatie gebruikt de Geant4-framework met een specifieke fysicalijst (QGSP BIC HP + G4EmStandardPhysics Option4) voor medische toepassingen.
   • Het systeem registreert deeltjestransport via G4UserSteppingAction en categoriseert trajecten in drie componenten: Beam (directe bundel), Patient (verstrooiing binnen de patiënt) en Scatter (verstrooiing buiten de patiënt).
   • In plaats van analytische lijn-driehoek of lijn-kubus intersectietests (die rekenkundig zwaar zijn), gebruikt RadField3D een bemonsteringsmethode: punten worden gesampled op het lijnsegment binnen een maximale afstand van 0,5 keer de minimale voxel-extent. Dit identificeert geïntersecteerde voxels efficiënt met behoud van nauwkeurigheid.
   • Per voxel worden drie waarden gescoord: het percentage fotonen dat de voxel raakt, de waarschijnlijkheidsverdeling van fotonenergieën, en de dominante richting van de binnenkomende baan.
   • Statistische fout: Er wordt gebruikgemaakt van het incrementele algoritme van Welford om de variantie en relatieve statistische fout ($\epsilon_{rel}$) te berekenen zonder elke stap op te slaan, wat het geheugengebruik minimaliseert. De simulatie stopt wanneer 95% van de voxels een lage relatieve fout heeft.

2. Dataformaat (RadFiled3D):

   • Een binair, machine-interpretabel formaat met een vaste structuur, ontworpen voor snelle I/O en integratie met Python (via PyBind11).
   • Het bestand bestaat uit metadata (dynamisch en vast, conform richtlijnen voor MCS-documentatie) en data-blokken verdeeld in "kanalen" (bijv. Beam, Scatter) en "lagen" (bijv. energie-verdeling, aantal hits).
   • Het formaat behoudt eenheden en statistische fouten per laag.

3. Validatie:

   • De simulatie is gevalideerd tegen gemeten luchtkerma-rates ($\dot{K}_{air}$) in een laboratoriumomgeving met PTB-calibratieapparatuur.
   • Twee configuraties werden getest:
     • Configuratie A: Een cilindrisch waterphantom (simuleert een hoofd).
     • Configuratie B: Een complexere 3D-reconstructie van een mannelijk Alderson-phantom (torso), verkregen via CT-scanning.
   • Metingen werden uitgevoerd op verschillende afstanden en hoeken rondom de fantomen met een H-100 stralingskwaliteit.

Belangrijkste Bijdragen

1. RadField3D Software: Een open-source tool voor het genereren van ruimtelijk opgeloste, 3D-voxelstralingsvelden, gevalideerd tegen laboratoriummetingen.
2. RadFiled3D Formaat: Een nieuw, efficiënt binair dataformaat met een Python API, specifiek ontworpen voor deep learning-toepassingen in dosimetrie. Dit lost het probleem op van data-uitwisselbaarheid tussen verschillende MCS-toepassingen.
3. Open Data: Alle gebruikte data (gemeten en gesimuleerd) en broncode zijn openbaar beschikbaar gesteld via GitHub, wat reproduceerbaarheid en hergebruik bevordert.
4. Validatieframework: Een methodiek om simulaties om te zetten naar absolute meetwaarden (luchtkerma) via een conversiefactor gebaseerd op een referentiepunt.

Resultaten

• Nauwkeurigheid: De simulatie toont een goede overeenkomst met de gemeten data. De mediaan van de punt-voor-punt relatieve fout ($\tilde{e}_{rel}$) ligt voor de meeste experimenten onder de 10% (bijv. 4,0% voor A.1, 6,6% voor B.1).
• Foutanalyse: De gemiddelde fouten zijn hoger (tot 18,5% in A.2) door grote afwijkingen op "harde randen" van het stralingsveld (geïnduceerd door de geometrie en de primaire bundel). Dit wordt veroorzaakt door de ruimtelijke uitbreiding van de ionisatiekamer in combinatie met de voxelisatie.
• Verbetering: Door een lineaire menging (blending) van flux en spectra tussen naburige voxels gebaseerd op de detectorpositie, kon de standaardafwijking van de fouten aanzienlijk worden verlaagd (bijv. van 24,9% naar 13,4% voor A.2).
• Componenten: Wanneer de primaire bundel en het verstrooide veld apart worden geanalyseerd, zijn de gemiddelde relatieve fouten zeer laag (1,8% tot 5,5%). De grootste afwijkingen zitten in de primaire bundel, maar voor IR is dit veld al goed bekend; voor het verstrooide veld (belangrijk voor personeelsdosis) is er een lichte neiging tot overschatting, wat in de stralingsbescherming acceptabel is als een conservatieve bovengrens.

Betekenis en Conclusie

Het paper introduceert een cruciale infrastructuur voor de toekomst van stralingsbescherming in de geneeskunde. Door de combinatie van een gevalideerde simulatie-engine en een specifiek dataformaat, maken de auteurs de weg vrij voor het gebruik van Deep Learning om Monte-Carlo-simulaties te versnellen. Dit maakt real-time dosimetrie en geavanceerde VR-trainingssystemen mogelijk, wat direct bijdraagt aan het verminderen van stralingsblootstelling bij medisch personeel. De beschikbaarheid van open-source data en tools stimuleert verder onderzoek naar alternatieve, snellere simulatiemethoden.