We present a robust deep learning-based framework for dose calculations of abdominal tumours in a 1.5 T MRI radiotherapy system. For a set of patient plans, a convolutional neural network is trained on the dose of individual multi-leaf-collimator segments following the DeepDose framework. It can then be used to predict the dose distribution per segment for a set of patient anatomies. The network was trained using data from three anatomical sites of the abdomen: prostate, rectal and oligometastatic tumours. A total of 216 patient fractions were used, previously treated in our clinic with fixed-beam IMRT using the Elekta MR-linac. For the purpose of training, 176 fractions were used with random gantry angles assigned to each segment, while 20 fractions were used for the validation of the network. The ground truth data were calculated with a Monte Carlo dose engine at 1% statistical uncertainty per segment. For a total of 20 independent abdominal test fractions with the clinical angles, the network was able to accurately predict the dose distributions, achieving 99.4% 0.6% for the whole plan prediction at the 3%/3 mm gamma test. The average dose difference and standard deviation per segment was 0.3% 0.7%. Additional dose prediction on one cervical and one pancreatic case yielded high dose agreement of 99.9% and 99.8% respectively for the 3%/3 mm criterion. Overall, we show that our deep learning-based dose engine calculates highly accurate dose distributions for a variety of abdominal tumour sites treated on the MR-linac, in terms of performance and generality.

我们提出了一个强大的基于深度学习的框架，用于 1.5 T MRI 放射治疗系统中腹部肿瘤的剂量计算。对于一组患者计划，卷积神经网络根据 DeepDose 框架对单个多叶准直器段的剂量进行训练。然后可以使用它来预测一组患者解剖结构的每个片段的剂量分布。该网络使用来自腹部三个解剖部位的数据进行训练：前列腺、直肠和寡转移肿瘤。总共使用了 216 名患者部分，之前在我们的诊所使用 Elekta MR-linac 进行了固定束 IMRT 治疗。为了训练的目的，使用了 176 个分数，并为每个片段分配了随机机架角度，而 20 个分数用于网络验证。使用 Monte Carlo 剂量引擎以每段 1% 的统计不确定性计算地面实况数据。对于总共 20 个具有临床角度的独立腹部测试部分，该网络能够准确预测剂量分布，在 3%/3 mm 伽马测试中实现了整个计划预测的 99.4% 0.6%。每段的平均剂量差异和标准偏差为 0.3% 0.7%。对于 3%/3 mm 标准，对 1 例宫颈和 1 例胰腺病例的额外剂量预测分别产生了 99.9% 和 99.8% 的高剂量一致性。总体而言，我们展示了我们基于深度学习的剂量引擎在性能和通用性方面计算了在 MR-linac 上治疗的各种腹部肿瘤部位的高度准确的剂量分布。对于总共 20 个具有临床角度的独立腹部测试部分，该网络能够准确预测剂量分布，在 3%/3 mm 伽马测试中实现了整个计划预测的 99.4% 0.6%。每段的平均剂量差异和标准偏差为 0.3% 0.7%。对于 3%/3 mm 标准，对 1 例宫颈和 1 例胰腺病例的额外剂量预测分别产生了 99.9% 和 99.8% 的高剂量一致性。总体而言，我们展示了我们基于深度学习的剂量引擎在性能和通用性方面计算了在 MR-linac 上治疗的各种腹部肿瘤部位的高度准确的剂量分布。对于总共 20 个具有临床角度的独立腹部测试部分，该网络能够准确预测剂量分布，在 3%/3 mm 伽马测试中实现了整个计划预测的 99.4% 0.6%。每段的平均剂量差异和标准偏差为 0.3% 0.7%。对于 3%/3 mm 标准，对 1 例宫颈和 1 例胰腺病例的额外剂量预测分别产生了 99.9% 和 99.8% 的高剂量一致性。总体而言，我们展示了我们基于深度学习的剂量引擎在性能和通用性方面计算了在 MR-linac 上治疗的各种腹部肿瘤部位的高度准确的剂量分布。在 3%/3 mm 伽马测试中，整体计划预测为 6%。每段的平均剂量差异和标准偏差为 0.3% 0.7%。对于 3%/3 mm 标准，对 1 例宫颈和 1 例胰腺病例的额外剂量预测分别产生了 99.9% 和 99.8% 的高剂量一致性。总体而言，我们展示了我们基于深度学习的剂量引擎在性能和通用性方面计算了在 MR-linac 上治疗的各种腹部肿瘤部位的高度准确的剂量分布。在 3%/3 mm 伽马测试中，整体计划预测为 6%。每段的平均剂量差异和标准偏差为 0.3% 0.7%。对于 3%/3 mm 标准，对 1 例宫颈和 1 例胰腺病例的额外剂量预测分别产生了 99.9% 和 99.8% 的高剂量一致性。总体而言，我们展示了我们基于深度学习的剂量引擎在性能和通用性方面计算了在 MR-linac 上治疗的各种腹部肿瘤部位的高度准确的剂量分布。