aDiner：動的CBCTイメージングのための適応的動的陰的ニューラル表現

科学分野:

• 医用画像処理
• 放射線療法物理学
• 医療における人工知能

背景:

• コーンビームCT（CBCT）は肺がん放射線療法において重要であるが、動きに対する動的再構成は困難です。
• 既存の教師あり学習法はペアデータを必要とし、離散的な位相で画像を再構成するため、時間分解能が制限されます。
• 単一投影からの動的再構成は、不良設定の逆問題です。

研究 の 目的:

• 各時点での高忠実度動的CBCT再構成のための自己教師あり学習法を開発すること。
• 画像誘導放射線療法における肺画像化の精度と堅牢性を向上させること。
• 動的CBCT再構成における既存の教師あり学習法の限界に対処すること。

主な方法:

• 自己教師あり学習アプローチである適応的動的陰的ニューラル表現（aDiner）を提案しました。
• 時間的コヒーレンスを確保するため、サイクル間およびサイクル内エンコーディング（iICE）を備えた適応的複合表現（ACR）を導入しました。
• 確率ベースの特徴融合（PFF）と、適応的投影線サンプリング（APS）および適応的変形点サンプリング（ADS）を含む動き誘導型粗視的から微視的へのサンプリング（MCS）を開発しました。

主要な成果:

• aDinerは、シミュレーション、ファントム、および臨床データセット全体で、各時点における動的CBCTの正確かつ堅牢な再構成を達成しました。
• この手法は、規則的および不規則的な呼吸サイクル中の肺の動きを効果的に捉えました。
• 静的領域と動的領域を個別に推定し、動きの類似性を活用することで、優れた再構成品質を示しました。

結論:

• aDinerは、肺放射線療法における動的CBCT再構成のための新しい自己教師ありソリューションを提供します。
• 提案されたACRおよびMCS戦略は、時間的コヒーレンスと動き推定の精度を向上させます。
• この手法は、連続的な動き情報を提供することにより、肺がん患者の画像誘導放射線療法を改善する可能性を秘めています。