基于深度学习的CT图像重建用于治疗计划的验证
Keisuke Yasui1, Yasunori Saito2, Azumi Ito3
1Division of Medical Physics, School of Medical Sciences, Fujita Health University, 1-98 Dengakugakubo, Kutsukake-Cho, Toyoake, Aichi, 470-1192, Japan. k-yasui@fujita-hu.ac.jp.
Scientific reports
|September 18, 2023
概括
基于深度学习的CT图像重建 (DLR) 在放射治疗中提供了更好的图像质量. DLR表现出稳定的CT值和降低噪音,特别是在较低剂量时,这使得它对治疗规划有价值.
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:
- 基于深度学习的CT图像重建 (DLR) 是生成CT图像的先进技术.
- 评估新的重建方法对于优化放射治疗治疗计划至关重要.
研究的目的:
- 评估DLR在放射治疗应用中的实用性.
- 为了比较DLR与混合代重建 (H-IR) 关于图像质量指标.
主要方法:
- 使用大孔CT系统和电子密度幻影获得的CT数据.
- 将CT值,图像噪声和CT值与电子密度转换表在不同辐射剂量的DLR和H-IR之间进行比较.
- 对DLR重建的三个强度的评估:轻度,标准和强度.
主要成果:
- 与H-IR相比,DLR显示CT值的变化较小,图像噪声较低,特别是在低剂量区域.
- 在100 mAs及以上的剂量下,DLR和H-IR之间的CT值差异很小 (10 HU以下).
- 较高的DLR重建强度 (标准,强) 显示了显著的降噪,超过了轻度设置.
结论:
- 对于各种材料,DLR提供稳定的CT值和低图像噪声,即使在减少辐射剂量时也是如此.
- 标准和强度DLR设置可显著降低噪音,这表明它们的临床相关性.
- DLR是一种有前途的工具,可以提高放射治疗中的治疗计划,利用大孔CT系统.


