In der Protonentherapie können aufgrund verschiedener Unsicherheiten Reichweitenveränderungen von Protonen auftreten. Bei der Prompt-Gamma-Ray Timing Methode wird eine Reichweitenveränderung von Protonen anhand der zeitlichen Verteilung der erzeugten prompten Gammastrahlung ermittelt. Die Eignung von neuronalen Netzen zur Reichweitenbestimmung anhand der zeitlichen und spektralen Verteilung von prompten Gammastrahlen wurde untersucht. Es wurden Modelle für die Untersuchung von 1D-Zeitspektren und 2D-Energie-Zeit-Spektren erstellt. Die entwickelten Modelle wurden auf statisch applizierten Spots hoher Intensität trainiert und auf gescannten Spots mit niedrigerer Intensität validiert. Es wurde festgestellt, dass die parallele Analyse von Energie und Zeit die beste Vorhersagekraft der Modelle erreichte. Es wurden Reichweitenveränderungen für statisch applizierte Spots mit einer Genauigkeit von 3,10 mm detektiert, während für gescannt applizierte Spots unter Verwendung von Datenakkumulation ein RMSE von 3,70 mm erreicht wurde. Im Vergleich zu vorherigen multivariaten Modellen konnte keine Verbesserung mit neuronalen Netzen demonstriert werden. Komplexere Modelle und ein umfangreicherer Datensatz könnten die Genauigkeit der Reichweitenvorhersage mittels Deep Learning noch weiter verbessern.:1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Protonentherapien 3 2.1.1 Wechselwirkungen 3 2.1.2 Behandlungsverifikation 4 2.2 Gamma-Ray-basierte Behandlungsverifikation 6 2.2.1 Prompt Gamma-Ray Timing 7 2.2.2 Prompt Gamma-Ray Spectroscopy 9 2.3 Deep Learning 9 2.3.1 Allgemeine Funktionsweise 9 2.3.2 Feedforward Neural Network 10 2.3.3 Faltendes Neuronales Netz 12 2.3.4 Regression und Klassifikation 14 3 Material und Methoden 16 3.1 Softwareumgebung und Infrastruktur 16 3.2 Datengrundlage 16 3.2.1 Datenaufnahme 16 3.2.2 Datenvorverarbeitung 18 3.2.3 Datenakkumulation 20 3.3 Dateneinteilung 21 3.4 Regression und Klassifikation 22 3.5 Modellarchitekturen 22 3.5.1 FFNN 22 3.5.2 1D-CNN 23 3.5.3 2D-CNN 24 3.6 Voruntersuchungen 25 3.6.1 Konstante Hyperparameter 26 3.6.2 Schichtanzahl von FFNN und CNN 26 3.6.3 Filtergröße von CNNs 27 3.6.4 Datennormierung 27 3.6.5 Untersuchung der Architekturen und Energie 28 3.7 Finale Vorhersage der Reichweitenverschiebung 28 4 Ergebnisse 30 4.1 Voruntersuchungen 30 4.1.1 Schichtanzahl von FFNN und CNN 30 4.1.2 Filtergröße von CNNs 31 4.1.3 Datennormierung 32 4.1.4 Untersuchung der Architektur und Energie 32 4.2 Finale Vorhersage der Reichweitenverschiebung: Regression 35 4.3 Finale Vorhersage der Reichweitenverschiebung: Klassifikation 39 5 Diskussion und Ausblick 42 6 Zusammenfassung 48 Anhang A Loss 58 Anhang B Untergrundkorrektur 60 Anhang C Leistungsparameter 61 Anhang D Ergebnistabellen Regression 63 Anhang E Ergebnistabellen Klassifikation 67 / In proton therapy, changes in the range of protons can occur due to various uncertainties. In the prompt gamma-ray timing method, a change in the range of protons is determined based on the temporal and spectral distribution of the generated prompt gamma radiation. The suitability of neural networks for range determination based on the temporal distribution of prompt gamma rays was investigated. Models were created for the investigation of 1D time spectra and 2D energy-time spectra. The developed models were trained on statically applied high intensity spots and validated on scanned spots applied with lower intensity. It was found that the parallel analysis of energy and time achieved the best predictive power of the models. Range changes for statically applied spots were detected with a root mean square error (RMSE) of 3.10 mm, and for dynamically scanned spots, a RMSE of 3.70 mm was achieved when utilizing data accumulation. Compared to previous multivariate models, no improvement could be demonstrated using simple neural networks. More complex models and a more comprehensive data set could further improve the accuracy of range prediction from Deep Learning.:1 Einleitung 1 2 Theoretische Grundlagen 3 2.1 Protonentherapien 3 2.1.1 Wechselwirkungen 3 2.1.2 Behandlungsverifikation 4 2.2 Gamma-Ray-basierte Behandlungsverifikation 6 2.2.1 Prompt Gamma-Ray Timing 7 2.2.2 Prompt Gamma-Ray Spectroscopy 9 2.3 Deep Learning 9 2.3.1 Allgemeine Funktionsweise 9 2.3.2 Feedforward Neural Network 10 2.3.3 Faltendes Neuronales Netz 12 2.3.4 Regression und Klassifikation 14 3 Material und Methoden 16 3.1 Softwareumgebung und Infrastruktur 16 3.2 Datengrundlage 16 3.2.1 Datenaufnahme 16 3.2.2 Datenvorverarbeitung 18 3.2.3 Datenakkumulation 20 3.3 Dateneinteilung 21 3.4 Regression und Klassifikation 22 3.5 Modellarchitekturen 22 3.5.1 FFNN 22 3.5.2 1D-CNN 23 3.5.3 2D-CNN 24 3.6 Voruntersuchungen 25 3.6.1 Konstante Hyperparameter 26 3.6.2 Schichtanzahl von FFNN und CNN 26 3.6.3 Filtergröße von CNNs 27 3.6.4 Datennormierung 27 3.6.5 Untersuchung der Architekturen und Energie 28 3.7 Finale Vorhersage der Reichweitenverschiebung 28 4 Ergebnisse 30 4.1 Voruntersuchungen 30 4.1.1 Schichtanzahl von FFNN und CNN 30 4.1.2 Filtergröße von CNNs 31 4.1.3 Datennormierung 32 4.1.4 Untersuchung der Architektur und Energie 32 4.2 Finale Vorhersage der Reichweitenverschiebung: Regression 35 4.3 Finale Vorhersage der Reichweitenverschiebung: Klassifikation 39 5 Diskussion und Ausblick 42 6 Zusammenfassung 48 Anhang A Loss 58 Anhang B Untergrundkorrektur 60 Anhang C Leistungsparameter 61 Anhang D Ergebnistabellen Regression 63 Anhang E Ergebnistabellen Klassifikation 67