一个针对患者的深度学习框架,用于肺癌放射治疗期间的3D运动估计和体积成像

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 呼吸会导致胸部和腹部癌症放射治疗中的显著运动器件.
• 当前的实时运动管理系统通常无法在标准的临床环境中使用.
• 精确的瘤向对于有效的癌症治疗和尽量减少副作用至关重要.

研究的目的:

• 开发一个针对患者的深度学习框架 (Voxelmap),用于3D呼吸运动估计和体积成像.
• 利用标准线性加速器上可用的数据和资源进行运动管理.
• 通过使用肺癌患者数据进行模拟研究,评估Voxelmap的准确性和可行性.

主要方法:

• 开发了Voxelmap,这是一个用于3D运动估计和体积成像的深度学习框架.
• 使用在标准线性加速器上获得的2D图像作为输入.
• 进行了一项模拟研究,使用两个肺癌患者的成像数据.
• 使用3D-3D Elastix注册作为运动预测的基础真相.

主要成果:

• Voxelmap准确地预测了3D瘤运动,所有轴的平均误差低于1毫米.
• 该框架成功地以高精度预测了3D胸腔腹部运动.
• 通过优秀的指标实现了体积成像,包括65.8.8的峰值信号与噪声比率.

结论:

• Voxelmap可以在标准线性加速器上进行3D运动估计和体积成像.
• 这种方法有可能提高肺癌放射治疗的精度.
• 这些发现表明,在资源有限的环境中,实时运动管理是一个可行的解决方案.