Strålterapi är en av de vanligaste behandlingsmetoderna för cancer idag. Uppskattningsvis behöver hälften av alla cancerpatienter strålterapi någon gång under sitt sjukdomsförlopp. Inom strålbehandling är verifikation av behandlingsplaner en viktig del. Behandlingsplaner kan verifieras genom att mäta den utgående strålningen, även kallad fluensen, från behandlingsmaskinen och jämföra med en uppskattning av samma strålning från behandlingsmjukvaran. Ett vanligt sätt att mäta strålningen på är med hjälp av en så kallad electronic portal imaging device (EPID), som kan ta digitala 2D-bilder av den inkommande strålningen. EPID:en mäter dock inte den inkommande fluensen perfect, och bilderna har små men icke försumbara artifakter, orsakade av fenomen som spridning i detektorn. Innan behandlingsmjukvarans uppskattning av fluensen kan jämföras med EPID-bilden behöver vissa korrektioner göras på fluensen, EPID-bilden eller både och.
I det här arbetet kommer användingen av en djupinlärningsmodell för att predicera EPID-bilden från fluensen att undersökas. Modellen ska, givet den uppskattade fluensen från planeringsmjukvaran, predicera den resulterande EPID-bilden. Modellen tränades med enkla, rektangulära fält och evaluerades med fält från kliniska behandlingsplaner. Resultaten visar att djupinlärningsmodellens predicerade EPID-bilder är en förbättrning jämfört med fluensen när det gäller likhet med den riktiga EPID-bilden, vilket är en indikation på att modellen har lärt sig meningsfulla transformationer att tillämpa på fluensen. Modellen ökade procenten punkter som klarade gammaevaluering med mellan 2.1 och 11.3 procentenheter på de testade patientfälten.