患者特定的先前交叉注意力 kV分解在横脊椎运动跟踪中
Xiuxiu He1, Weixing Cai1, Feifei Li1
1Department of Medical Physics, Memorial Sloan Kettering Cancer Center, New York, New York, USA.
Medical physics
|August 4, 2023
概括
这项研究引入了一个深度学习算法,患者特定的先前交叉注意 (PCAT),以增强X射线图像对比度用于放射治疗. 通过分解kV图像,PCAT提高了在脊SBRT中内断运动跟踪的准确性.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 精确的断层内运动跟踪对于有效的放射治疗至关重要.
- 射线图像质量直接影响治疗期间运动监测的精度.
研究的目的:
- 开发一个深度学习算法来增强kVX射线图像对比度.
- 使用一种新的注意力机制,改善图像分解成骨和软组织组件.
- 提高kV图像分解的性能,以增强在脊侧立体体辐射疗法 (SBRT) 中的运动跟踪.
主要方法:
- 在神经网络框架内实施了针对患者的先前交叉注意 (PCAT) 机制.
- 利用在线2D kV预测在SBRT期间获得的运动监测.
- 整合了患者特定的先前图像和多头交叉注意力,以指导图像分解.
主要成果:
- 在kV图像中,PCAT算法有效地保留了脊柱结构,同时抑制了软组织.
- 仅为脊椎的分解X射线图像在所有光束角度实现了亚毫米匹配的准确性.
- 与ResNetGAN (0.92毫米) 相比,PCAT显著减少了运动跟踪误差 (0.44毫米),PSNR和SSIM更高.
结论:
- 在深度学习中,PCAT利用患者特定的先前知识来提高kV图像分解的稳定性.
- 改进的图像分解直接转化为增强的运动跟踪准确性在脊SBRT.
- 这种深度学习方法为图像引导辐射疗法的精度提供了显著的进步.
