用基于cycleGAN的图像合成来改善超大电压计算机断层扫描图像质量和保持剂量准确性的定性研究

科学领域:

• 医疗成像医学成像
• 放射治疗 物理 物理
• 人工智能在医学中的应用

背景情况:

• 分散放射治疗需要因解剖学变化而进行适应性规划.
• 超级电压CT (MVCT) 提供有限的图像质量 (低对比度,高噪声) 用于目标划分.
• 适应螺旋断层疗法 (HT) 需要提高图像质量,以便准确的治疗设置和剂量重建.

研究的目的:

• 开发一种深度学习方法,从MVCT生成合成千伏CT (skVCT).
• 提高图像质量,以更好地划分有风险的目标和器官 (OAR).
• 确保生成的skVCT符合放射治疗规划的临床剂量要求.

主要方法:

• 采用了一个循环生成对抗网络 (cycleGAN) 与注意门和残留块.
• 培训使用了来自25名头癌患者的2995片;测试使用了来自16名患者的1898片.
• 量化指数 (MAE,SSIM,PSNR) 和剂量指标 (马通过率,DVH) 用于评估.

主要成果:

• 与MVCT (低MAE,高PSNR和SSIM) 相比,合成kVCT (skVCT) 显示出显著改善的图像质量.
• 用skVCT进行剂量比较的马合格率大大改善.
• 在kVCT和skVCT之间没有发现剂量-体积组图 (DVH) 参数的显著差异.

结论:

• 深度学习模型成功地从MVCT中生成了高质量的skVCT,即使训练数据集有限.
• 基于MVCT的skVCT提高了图像质量,并保持了剂量计算的准确性,类似于MVCT.
• 这种方法提高了治疗的准确性,并使适应性放射治疗的实施成为可能.