加速MRIのための放射線治療用画像強化のためのGANと拡散モデルの共同フレームワーク

科学分野:

• 医用画像
• 放射線治療
• 人工知能

背景:

• 磁気共鳴画像法（MRI）は、従来のCTと比較して、画像誘導放射線治療（MRgRT）において優れた軟部組織コントラストを提供します。
• 加速MRIプロトコルはワークフローを改善しますが、多くの場合、画質が低下し、精度に影響を与えます。
• 既存の深層学習手法では、エラーを完全に修正することが困難であり、臨床的な不確実性につながっています。

研究 の 目的:

• 加速MRI画像の品質を向上させるための深層学習アプローチを開発・評価すること。
• 正確な画像レジストレーションを通じて腫瘍の正確なターゲティングを保証すること。
• 放射線治療中の患者のスキャン時間と不快感を軽減すること。

主な方法:

• 生成敵対的ネットワーク（GAN）と拡散モデル（DM）を組み合わせた新しい深層学習フレームワーク、Residual Refinement Enhancement Network（RRENet）を開発しました。
• RRENetは、低周波コンテンツのためのGANと残差誤差洗練のためのDMの2段階プロセスを採用しています。
• 高周波分離トレーニングモジュール（HSTM）を統合して、微細な解剖学的詳細を保持しました。画像品質はPSNR、SSIM、RMSEで評価されました。

主要な成果:

• RRENetは、標準プロトコルと比較して画像撮影時間を70%削減し、高画質（SSIM：92.27%、PSNR：32.84dB）を維持しました。
• 強化された画像は、計画CTとの正確な位置合わせ（並進≤2.2 mm、回転≤0.2°）を示しました。
• この手法は、MRgRTにおける患者セットアップ補正の精度を保証しました。

結論:

• 提案されたRRENet手法は、加速MRIシーケンスから高品質の画像を生成します。
• MRgRTワークフローに不可欠な取得時間を効果的に削減します。
• このアプローチは、信頼性の高い画像レジストレーションを通じて正確な腫瘍ターゲティングを保証します。