マーカレス腫瘍追跡のための単一エネルギーkVX線フローロスコピーからのディープラーニングベースの二重エネルギー減算合成

科学分野:

• 医療用イメージング
• 医療における人工知能
• 放射線腫瘍学

背景:

• 肺がんの放射線治療におけるマーカーレス腫瘍追跡は,精密な投与のために不可欠ですが,肋骨のような重なり合っている構造のために腫瘍の視界が悪くなっています.
• 二重エネルギー (DE) のX線光鏡は,骨の人工物を抑制することによって可視性と追跡精度を向上させることができますが,専門のハードウェアを必要とし,その臨床的応用を制限します.
• 腫瘍の可視性を高めるための既存の方法は,しばしばハードウェア密集的なソリューションに依存するか,移動するターゲットに十分な精度がない.

研究 の 目的:

• 標準単一エネルギー (SE) 光鏡から二重エネルギー減算 (DES) 画像を合成するためのディープラーニングベースの方法の開発と検証.
• 放射線治療中に移動する腫瘍のマーカーなしの腫瘍追跡の精度を向上させ,標的の可視性を向上させる.
• 肺腫瘍の局所化を改善するために,従来のDEイメージングにハードウェア独立の代替手段を提供すること.

主な方法:

• デジタルファントムから生成されたシミュレートされたDESデータセットを使用して,残留のU-Netディープラーニングモデルが開発され,訓練されました.
• このモデルは,SEの光画像からDES画像を合成し,実際のDE画像の骨抑制能力を効果的に模倣するように設計された.
• 合成品質の定量的な評価はデジタルファントムを用いて行われ,その後10人の肺がん患者のSE光学画像による臨床検証が行われた.

主要な成果:

• ディープラーニングモデルはSE光学から得られたDES画像を合成し,デジタルファントム実験で良好な合成品質を証明した.
• 臨床評価では,合成されたDES画像を使用すると,マーカーなしの腫瘍追跡の精度が向上し,平均誤差は1. 80mmから1. 68mmに減少しました.
• 25%の移動範囲内での追跡成功率は,SEイメージングでは50. 2%から合成DESイメージングでは54. 9%に増加しました.

結論:

• 肺がん放射線治療におけるマーカーレス腫瘍追跡を強化するために,SE光学からのDES画像のディープラーニングベースの合成は実現可能なアプローチです.
• この方法は,従来のDEイメージングに関連するハードウェアの制限を克服し,改善された腫瘍追跡をより容易に行えるようにする潜在的な解決策を提供します.
• この発見は 肺腫瘍を移動させるのに より正確で信頼性の高い放射線投与への 途径を示唆しています