从使用深度学习的部分获取的圆束计算机断层扫描图像生成缺失的患者解剖学:概念验证

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:

• 目前放射治疗患者的设置依赖于沙发上的形光束计算机断层扫描 (CBCT).
• CBCT成像的局限性包括侧向瘤的部分扫描,条纹文物和降低的注册准确性.
• 这些局限性可能会损害放射治疗患者定位的精度.

研究的目的:

• 开发和验证一种改进放射治疗患者设置方法的方法.
• 通过删除条纹文物和重建缺失的解剖数据来提高图像质量.
• 为了在放射治疗图像校正中实现患者特定的精度.

主要方法:

• 进行了两项研究:研究A专注于训练机器学习模型,使用合成CBCT (sCBCT) 数据进行文物移除和解剖生成.
• 研究B涉及使用患者数据训练基准模型,然后通过转移学习对其进行细调以进行患者特定的纠正.
• 机器学习模型被开发用于解决条纹文物,并生成CBCT图像中缺失的解剖学.

主要成果:

• 在A研究中训练的机器学习模型有效地删除了条纹文物,并产生了缺失的解剖信息.
• 研究B表明,针对患者的模型可以准确地从部分CBCT数据集中生成缺失的解剖学.
• 开发的模型在人工物减少和解剖学重建方面表现出很高的性能.

结论:

• 建议的方法在提高放射治疗患者设置图像的质量方面具有显著的实用性.
• 改善的CBCT图像质量可以导致更准确的患者定位和更好的整体放射治疗治疗质量.
• 这种人工智能驱动的方法有可能提高放射治疗的精度和患者的治疗结果.