在MR导向放射治疗中,框架内运动恶化效应和基于深度学习的补偿
Zhuojie Sui1, Prasannakumar Palaniappan1, Jakob Brenner1
1Department of Medical Physics, Faculty of Physics, Ludwig-Maximilians-Universität München, Garching, Germany.
Medical physics
|September 4, 2023
概括
深度学习模型可以通过使用k空间数据来补偿MR指导放射治疗 (MRgRT) 中的框架内运动工件. 这种方法可以提高图像质量和瘤准准确度,这对于有效的辐射输送至关重要.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 混合磁共振线性加速器 (MR-Linacs) 使用2D+t cine MR成像用于分数内运动监测.
- 电影MRI成像的时间分辨率有限会导致运动器件和延迟,特别是在快速呼吸期间.
研究的目的:
- 研究MR指导放射治疗 (MRgRT) 中的框架内运动恶化效应.
- 探索基于深度学习的补偿,使用k空间数据进行运动校正.
主要方法:
- 使用肺癌患者的4D数字幻影模拟的框架内运动.
- 开发了一种具有三度自由度的运动模式扰动方案.
- 训练的U-Net模型 (NNImgLoss-L1,NNFloss-L1,NN L2-Loss) 具有不同的损失功能用于图像重建.
主要成果:
- 镜头内运动在笛卡尔轨迹中造成了~50%的成像延迟.
- 所有补偿模型都减少了图像误差 (MSE/MAE) 和GTV位置偏移.
- 总瘤体积 (GTV) 轮精度有所提高:子相似系数 (DSC) 从88%增加到96%,豪斯多夫距离 (HD95) 从4.8mm减少到2.1mm.
结论:
- 深度学习有效地弥补了MRgRT中的框架内运动.
- 使用后来获得的k空间数据可以改善早期的k空间组件融合.
- 这种技术提高了运动导向放射治疗中的图像质量和精度.
更多相关视频
08:54Treatment of Liver Metastases Using an Internal Target Volume Method for Stereotactic Body Radiotherapy
Published on: May 8, 2018
14.3K
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.6K
