从CBCT中生成合成CT,使用深度学习方法为头癌患者生成CT

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 医疗成像医学成像

背景情况:

• 适应性放射治疗计划 (ART) 需要准确的患者成像来调整治疗.
• 圆束计算断层扫描 (CBCT) 用于每天的患者定位,但其图像质量受到限制.
• 合成CT (sCT) 生成旨在改善CBCT图像质量,以获得更好的ART.

研究的目的:

• 开发和评估深度学习模型,特别是深度残留U-Net (DRUnet) 和条件生成对抗网络 (cGAN),用于从CBCT生成合成CT (sCT).
• 将深度学习方法的性能与用于sCT生成的基于多尺度补丁方法 (MPBM) 的性能进行比较.
• 为了评估适应性放射治疗规划的sCTs的剂量准确性.

主要方法:

• 使用了来自93名头癌患者的CBCT和计划CT (pCT) 数据.
• 采用了三种方法:基于多尺度补丁的方法 (MPBM),带有剩余单元的2D U-Net,以及集成到cGAN中的DRUnet.
• 使用平均绝对误差 (MAE) 评估准确性,剂量测量分析涉及比较剂量体积组图 (DVH) 参数和执行3D马分析.

主要成果:

• 深度学习方法显著优于MPBM,实现了较低的MAE (DRUnet: 67.88 ± 8.39 HU,cGAN: 72.52 ± 8.43 HU与MPBM: 90.69 ± 14.3 HU).
• 由DRUnet生成的sCT显示DVH指标偏差最小 (PTVs<0.55%,OARs<1.17%) 和高平均Gamma通过率 (99.45±1.86%).
• 所有测试的方法都减少了与CBCT成像相关的不确定性.

结论:

• 深度学习方法,特别是DRUnet,优于基于补丁的合成CT生成方法.
• 德鲁网能够创建具有准确的霍恩斯菲尔德单位值和现实的解剖学表示的sCTs.
• 开发的DRUnet方法显示了增强基于CBCT的适应性放射治疗计划的巨大潜力.