基于深度学习的快速和准确的3D CT可变形图像登记在肺癌中
Yuzhen Ding1, Hongying Feng1, Yunze Yang1
1Department of Radiation Oncology, Mayo Clinic, Phoenix, Arizona, USA.
Medical physics
|June 8, 2023
概括
这项研究引入了一种深度学习方法,用于在肺癌患者中更快地进行可变形图像注册 (DIR). 新方法显著加快了适应性放射治疗 (ART) 应用的速度,同时保持了准确性.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 可变形图像注册 (DIR) 对于放射瘤学至关重要,但传统方法缓慢且特定于图像对.
- 目前的DIR技术每对3DCT图像需要几分钟,这限制了临床效用.
研究的目的:
- 为肺癌患者开发基于深度学习的DIR方法,以克服传统DIR的速度和特异性限制.
- 为了加速应用,如轮传播,剂量变形和适应性放射治疗 (ART).
主要方法:
- 基于Voxelmorph的深度神经网络被开发出来,可以从CT图像中生成可变形向量场 (DVF).
- 两种模型 (wMAE和M+S) 使用来自114名肺癌患者的CT数据进行训练.
- 合成CTs (sCTs) 是通过使用模型衍生的DVFs进行评估的扭曲验证CTs (vCTs) 来生成的.
主要成果:
- 这些模型实现了快速的DVF生成 (263-266毫秒),具有高精度 (MAE 13-17 HU) 和图像相似性 (SSIM 0.987-0.988).
- 在合成CTs上计算的剂量分布与初始CTs相比差异很小,3DGamma通过率很高 (>96%对3mm/3%/10%).
- 轮传播和剂量计算证明了深度学习DIR方法的临床可行性.
结论:
- 基于深度神经网络的DIR方法提供了一个相当准确和高效的解决方案,用于记录肺癌患者的CT图像.
- 这种方法显示了显著提高适应性放射治疗工作流程的速度和效率的潜力.
