臨床放射線治療ワークフローにおける高度なClearIQ Engine（AiCE）深層学習再構成アルゴリズムの導入

科学分野:

• 医用画像
• 放射線治療
• 画像再構成技術

背景:

• 現在の放射線治療におけるCTプロトコルは、より高い放射線量を含む可能性がある。
• 放射線被ばくを低減しながら画像品質を最適化することは、患者の安全性と治療効果にとって重要である。

研究 の 目的:

• コンピューテッドトモグラフィー（CT）画像再構成のための高度なインテリジェンスClear-IQ Engine（AiCE）の臨床統合を評価する。
• 画像品質と放射線治療計画に対するAiCEの影響を評価する。
• CTスキャンにおける線量最適化の可能性を探る。

主な方法:

• AIDR3DとAiCEの両方を使用して、異なるmAs値で電子密度ファントムスキャンを実行した。
• 臨床CTスキャンをAiCEで再構成し、その後の放射線治療線量分布を再計算した。
• ファントムテスト後に乳房放射線治療患者プロトコルを最適化した。

主要な成果:

• AiCEは、AIDR3Dと比較して許容可能な公差（5-6 HUの変動）内でフンズフィールド番号の安定性を示した。
• 放射線治療線量計算では、最大0.45 Gy、中央値0.02 Gyの差が示された。
• 平均線量長積（DLP）が12％削減され、臨床的に許容可能な画質が得られた。

結論:

• AiCE再構成は安定したフンズフィールドユニット値を提供し、放射線治療計画に適している。
• AiCEの実装により、乳房CTプロトコルの最適化が可能になり、放射線線量が削減された。
• AiCEは、臨床治療計画およびCT線量最適化のための実行可能な新しい再構成技術である。