基于轮导向深度学习的可变形图像记录,用于在前列腺癌CBCT导向放射治疗期间的剂量监测

科学领域:

• 放射治疗 物理 物理
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 精确的剂量积累对于前列腺癌中有效的放射治疗计划至关重要.
• 可变形图像记录 (DIR) 方法用于计算治疗期间的解剖变化.
• 深度学习 (DL) 在DIR准确性和效率方面提供了潜在的进步.

研究的目的:

• 评估基于深度学习 (DL) 的可变形图像注册 (DIR) 在前列腺癌放射治疗中的剂量积累.
• 将基于DL的DIR方法与传统的自由形变形 (FFD) 技术进行比较.

主要方法:

• 从23名前列腺癌患者的341个CBCT和23个计划CT的回顾性分析.
• 使用FFD (Elastix) 和基于DL的VoxelMorph方法 (VoxelMorph使用扫描,标签或两者) 估计解剖变形.
• 累积剂量与计划剂量的比较.

主要成果:

• 基于DL的VoxelMorph方法,特别是当使用解剖图像和标签图像 (VMorph_Sc_Msk) 时,与FFD相比,显示前列腺,直肠和膀等器官的Dice相似度系数 (DSC) 得分有所改善.
• VoxelMorph估计了更复杂的变形,导致变形向量场 (DVF) 折叠率更高.
• 在DL方法中观察到累积剂量估计的显著差异,VMorph_Sc_Msk显示与计划剂量相比,膀的中位数差异为+6.3 Gy,直肠的中位数差异为-5.1 Gy.

结论:

• 基于DL的DIR对于男性骨盆解剖是可行的,但需要解剖轮来改善器官对应.
• 剂量积累估计的高变化凸显了在临床实施之前需要进一步调查基于DL的DIR策略.
• 未来的研究应该专注于改进DL算法,以确保辐射治疗患者的一致和准确的剂量积累.