フレームレス放射線外科手術のための単一MRボリュームを用いた合成CT生成のための知識ベース深層残差U-Net（DRU）

科学分野:

• 医用画像
• 人工知能
• 放射線療法

背景:

• 定位放射線手術（SRS）では、従来、MRIとCTスキャンの両方が必要である。
• CTシミュレーションは時間のかかるステップであり、追加の放射線被曝を伴う。
• SRS計画を合理化し、患者の負担を軽減するために、MRI専用ワークフローが望ましい。

研究 の 目的:

• 単一MRIボリュームからの合成CT（sCT）生成のための知識ベース深層学習モデルを開発および検証する。
• LINACベースのフレームレスSRSのためのMRI専用ワークフローを可能にし、CTシミュレーションの必要性をなくす。
• 生成されたsCTの精度と、SRS治療計画および線量計算への影響を評価する。

主な方法:

• 深層残差U-Net（DRU）モデルを120例の患者MRIボリュームでトレーニングし、sCTを生成した。
• CT固有の解剖学的知識を提供するために、健康な脳CTボリュームを組み込んだ。
• 生成されたsCTを使用して、固定マスクを含む治療条件をシミュレートした完全なsCTボリューム（sCT_F）を作成した。
• sCTの精度を、グラウンドトゥルースCTに対するPSNR、SSIM、RMSE、MAEを使用して評価した。
• SRS治療計画をsCT_F上で再計算し、ガンマインデックス評価を使用して元の計画との線量分布を比較した。

主要な成果:

• 生成されたsCTは、PSNR 75 ± 4 dB、SSIM 0.99 ± 0.01、RMSE 11.9 ± 5.8 HU、MAE 1.4 ± 0.8 HUで高い精度を達成した。
• sCT_Fでの線量再計算に対するガンマインデックスパス率（全体ボリューム）は95.8 ± 4.2%、（PTV内）は84.4 ± 15.0%であった。
• 計画標的ボリューム（PTV）の平均線量差は-2.0% ± 2.3%以内であり、最小限の不一致を示した。

結論:

• 知識ベースの深層モデルは、単一モダリティMRIから正確なsCT画像を効果的に生成できる。
• 開発されたsCT生成方法は、MRI専用ワークフロー内でのフレームレスSRS計画をサポートする。
• このアプローチは、現在の臨床ワークフローにシームレスに統合され、効率を改善し、患者の被曝を削減する可能性がある。