Mejora de la síntesis de TC basada en CBCT mediante RM de planificación en radioterapia adaptativa con protones para...

Área de la Ciencia:

• Imagenología Médica
• Física de la Radioterapia
• Inteligencia Artificial en Medicina

Sus antecedentes:

• La radioterapia con protones (PT) ofrece un tratamiento preciso del cáncer de cabeza (HC) utilizando datos de TC.
• La APT corrige los cambios anatómicos pero depende de CBCT de calidad limitada.
• CBCT tiene artefactos y menor resolución, lo que afecta la precisión de la dosis.

Objetivo del estudio:

• Mejorar la generación de TC sintética (sCT) para la APT mediante la integración de RM con CBCT.
• Mejorar la delineación de tejidos blandos y la precisión del cálculo de dosis en la planificación del tratamiento de PT.
• Evaluar modelos de aprendizaje profundo para la síntesis de TC basada en CBCT utilizando RM.

Principales métodos:

• Se desarrolló una red generativa adversaria condicional (cGAN) Pix2Pix para sintetizar exploraciones de TC a partir de CBCT y RM ponderada en T1.
• Se probaron las arquitecturas ResUnet y SwinUnet como generadores de cGAN.
• Se utilizó un CycleGAN solo de CBCT para comparación.

Principales resultados:

• La integración de datos de RM mejoró significativamente la calidad de la sCT, particularmente para tejidos blandos como los ojos y los ventrículos.
• El modelo Pix2Pix-ResUnet que incorpora RM superó a los enfoques basados únicamente en CBCT y a otros enfoques de aprendizaje profundo.
• La sCT basada en RM redujo los errores de HU y mejoró la precisión del cálculo de dosis.

Conclusiones:

• La integración de RM mejora la síntesis de TC basada en CBCT para mejorar la calidad de la imagen sCT y la precisión de la dosis en APT.
• Este enfoque muestra una gran promesa para una planificación más precisa del tratamiento del cáncer de cabeza.
• El trabajo futuro requiere conjuntos de datos más grandes y la validación de la integración de RM en APT.