npeЯдерная физика и инжинирингNuclear Physics and Engineering2079-56292079-5637МИФИ10.56304/S2079562922050347npe-124Research ArticleМатематическое моделирование в ядерных технологияхMathematical Modeling in Nuclear TechnologiesМашинное обучение для формирования распределения дозы по глубине в протонной терапииMachine Learning for Depth Dose Distribution Forming in Proton TherapyОвчинниковаЛ. Ю.OvchinnikovaL. Yu.

Москва, 117312;

Санкт-Петербург, 196006

Moscow, 117312;

St. Petersburg, 196006

lub.ovch@yandex.ruКуриликА. С.KurilikA. S.

Москва, 117312

Moscow, 117312

Институт ядерных исследований РАН; АО “НИИ “Феррит-Домен”РоссияInstitute for Nuclear Research, Russian Academy of Sciences; JSC Ferrit-Domen Research InstituteRussian FederationИнститут ядерных исследований РАНРоссияInstitute for Nuclear Research, Russian Academy of SciencesRussian Federation202331122023145453455Copyright © Овчинникова Л.Ю., Курилик А.С., 20232023Овчинникова Л.Ю., Курилик А.С.Ovchinnikova L.Y., Kurilik A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://npe.elpub.ru/jour/article/view/124

Рассмотрена возможность использования нейронной сети для вычисления весовых коэффициентов, соответствующих отдельным кривым Брэгга, при формировании равномерного распределения дозы по глубине для целей протонной терапии.

We have considered the possibility of using a neural network for calculation the weight coefficients corresponding to the Bragg curves for forming a uniform depth dose distribution in proton therapy.

протонная терапиядозовое полеGeant4машинное обучениеPyTorchproton therapydose distributionGeant4machine learningPyTorchReferencesЯковлев И.А. Методы повышения конформности протонной лучевой терапии. Дис. к.ф.-м.н. 01.04.01. Москва. 2018.Яковлев И.А. Методы повышения конформности протонной лучевой терапии. Дис. к.ф.-м.н. 01.04.01. Москва. 2018.RapidPlan Knowledge-Based Planning. Varian Medical Systems. 2013. https://www.varian.com/products/radiotherapy/treatment-planning/rapidplanknowledgebased-planningRapidPlan Knowledge-Based Planning. Varian Medical Systems. 2013. https://www.varian.com/products/radiotherapy/treatment-planning/rapidplanknowledgebased-planningParamonov V., Durkin A., Kolomiets A.A // Proc. Russian Particle Accelerator Conf. (RuPAC’21). 2021. V. 27. P. 117. https://doi.org/10.18429/JACoW-RuPAC2021-FRB04Paramonov V., Durkin A., Kolomiets A.A // Proc. Russian Particle Accelerator Conf. (RuPAC’21). 2021. V. 27. P. 117. https://doi.org/10.18429/JACoW-RuPAC2021-FRB04Allison J. et al. // Nucl. Instrum. Methods Phys., Res. Sect. A. 2016. V. 835. P. 186. https://doi.org/10.1016/j.nima.2016.06.125Allison J. et al. // Nucl. Instrum. Methods Phys., Res. Sect. A. 2016. V. 835. P. 186. https://doi.org/10.1016/j.nima.2016.06.125Ovchinnikova L. et al. // Proc. Russian Particle Accelerator Conf. (RuPAC'21). 2021. V. 27. P. 182. https://doi.org/10.18429/JACoW-RuPAC2021-MOPSA41Ovchinnikova L. et al. // Proc. Russian Particle Accelerator Conf. (RuPAC'21). 2021. V. 27. P. 182. https://doi.org/10.18429/JACoW-RuPAC2021-MOPSA41Paszke A. et al. // Adv. Neural Inform. Proc. Sys. 2019. V. 32. P. 8024. https://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deeplearning-library.pdfPaszke A. et al. // Adv. Neural Inform. Proc. Sys. 2019. V. 32. P. 8024. https://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deeplearning-library.pdfOvchinnikova L., Kurilik A. // Proc. LaPlas-2022. 2022. P. 297. https://laplas.mephi.ru/wp-content/uploads/2022/04/Teзиcы2022.pdfOvchinnikova L., Kurilik A. // Proc. LaPlas-2022. 2022. P. 297. https://laplas.mephi.ru/wp-content/uploads/2022/04/Teзиcы2022.pdf

The authors declare that there are no conflicts of interest present.