摘要: 准确、快速地获取中子能谱是硼中子俘获治疗图像引导放射治疗（IGRT - BNCT）面临的重大挑战之一。本文将包括深度神经网络（DNN）和随机森林（RF）算法在内的机器学习（ML）融入能谱叠加法（ESSM），以预测数据库中不存在的未知能谱，即 ESSM - ML。新算法能在高精度的基础上进一步提高能谱获取速度。DNN 和 RF 对两种物理过程的中子能谱预测均显示出较高的 R² 值和极低的均方根误差（RMSE）。在热中子、超热中子和快中子三个能区，预测值与真实值之间的偏差较小。对于束流整形组件（BSA）发射窗口处的总中子能谱，ESSM - ML 获得的总中子注量率与传统基于模拟的方法获得的总中子注量率之比为 95.3%。此外，对于 ESSM - ML 获得治疗能谱的耗时，所需时间仅为 69 秒，计算效率提高了 4500 倍。ML 模块对单个能谱的平均预测时间仅为 0.0052 秒。ESSM - ML 为实现 IGRT - BNCT 提供了理论和算法基础。
-
来自：
yang junkai
-
分类：
核科学技术
>>
辐射物理与技术
-
投稿状态：
未投稿
-
引用：
ChinaXiv:202509.00185
(或此版本
ChinaXiv:202509.00185V1)
DOI:10.12074/202509.00185
CSTR:32003.36.ChinaXiv.202509.00185
-
科创链TXID：
82a6e779-46c1-4520-8c35-d32d0996ed38
- 推荐引用方式：
杨竣凯,Hao-PengDeng,Zhi-MengHu,Fang-CongZhang,Li-KaiGuo,MinPeng,Deng-JieXiao,Ping-QuanWang,HuiZhang,Bo-WenZhou,ChungmingPaulChu,LinXiao,GiuseppeGorini.A physically constrained Energy Spectrum Superposition Method-Machine Learning coupling algorithm for obtaining the neutron spectrum of BNCT rapidly.null.[DOI:10.12074/202509.00185]
(点此复制)
相关信息
待评议
点击量
下载量
