用深度学习和可变形图像注册进行质子范围估计的CBCT校正的混合方法

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 图像处理 图像处理

背景情况:

• 精确的合成CT (sCT) 生成对于质子疗法规划和验证至关重要.
• 圆束CT (CBCT) 中的肠道气体口袋对sCT准确性和质子范围估计提出了挑战.
• 现有的方法在CBCT数据中的高和低空间频率的复杂相互作用中扎.

研究的目的:

• 开发和验证一种新的混合方法,用于从腹部/盆腔CBCT生成sCT,特别是解决肠道气体带来的挑战.
• 提高气囊区域中质子范围估计的准确性.
• 增强CBCT在质子治疗中的适应性重新规划的实用性.

主要方法:

• 开发了一种混合方法,将无监督深度学习 (CycleGAN) 和可变形图像注册 (DIR) 结合起来.
• CycleGAN生成了几何权重 (高频) 组件,而DIR处理了sCT的强度权重 (低频) 组件.
• 代反循环通过调整DIR并纳入变形的规划CT (pCT) 信息来改进sCT,特别是在肠道气体区域.

主要成果:

• 混合型sCT在CT数值中显示出显著更高的准确性 (较低的绝对平均误差) 与变形的pCT和仅使用CycleGAN的sCT相比.
• 内部天然气区域与混合方法的相似性明显更高.
• 质子范围估计误差显著减少,而马传递率显示出混合方法的剂量学优势.

结论:

• 混合方法从CBCT显著提高了sCT准确性,超过了个人深度学习和注册技术.
• 这种方法对准确的质子范围验证和适应性重新规划在腹部/盆腔质子疗法中显示出希望,即使存在肠道气体.
• 该研究强调了混合图像处理技术在推进放射治疗应用中的潜力.