通过使用深度学习方法改善MRI导向前列腺癌放射治疗中的加速3D成像
Ji Zhu1, Xinyuan Chen1, Yuxiang Liu1,2
1National Cancer Center, National Clinical Research Center for Cancer, Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, 100021, China.
Radiation oncology (London, England)
|July 1, 2023
概括
深度学习通过提高高速MRI质量来增强前列腺癌放射治疗. 这种方法显著减少了扫描时间,同时保持了适应性治疗的准确图像记录.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 在线适应性放射治疗需要高质量的MRI图像来准确规划治疗.
- 高速MRI采集通常会损害图像质量,对实时调整构成挑战.
研究的目的:
- 为了提高前列腺癌放射治疗中的高速MRI图像质量,使用深度学习方法.
- 评估图像质量增强对图像注册准确性的影响.
主要方法:
- 开发了一个CycleGAN深度学习模型,从高速低质量 (HSLQ) 图像中生成合成高质量MR图像 (synLSHQ).
- 该模型使用来自MR-linac的1.5 T MR图像进行训练和验证,将synLSHQ与低速高质量 (LSHQ) 图像进行比较.
- 使用nMAE,PSNR,SSIM和EKI评估图像质量;使用JDV,DSC和MDA评估可变形图像注册.
主要成果:
- synLSHQ图像的质量与LSHQ图像相当,可将成像时间缩短约66%.
- 与HSLQ图像相比,synLSHQ在图像质量指标 (nMAE,SSIM,PSNR,EKI) 中显示出显著的改善.
- 通过synLSHQ增强了注册准确性,显示出优于HSLQ的平均JDV和优于HSLQ的DSC和MDA值.
结论:
- 拟议的深度学习方法有效地从高速序列生成高质量的MR图像.
- 这种方法有可能缩短放射治疗中的MRI扫描时间,而不会影响治疗的准确性.
