合成大电压圆束计算机断层扫描图像生成,以提高心脏起器的轮精度
Hana Baroudi1,2, Xinru Chen1,2, Wenhua Cao2
1MD Anderson Cancer Center UTHealth Houston Graduate School of Biomedical Sciences, The University of Texas, Houston, TX 77030, USA.
Journal of imaging
|November 24, 2023
概括
深度学习模型在合成MV CBCT图像上增强了心脏起器可视化,提高了轮准确度,以便更好地规划治疗. 这项研究利用生成对抗网络 (GAN) 来从kV CT/CBCT数据中创建这些增强图像.
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:
- 准确地划分心脏起器对于放射治疗规划至关重要.
- 当前的成像技术可能在可视化起器方面存在局限性,这会影响轮精度.
- 深度学习为医学应用中的图像增强提供了潜力.
研究的目的:
- 通过使用深度学习在MV CBCT图像中增强心脏起器的可视化.
- 通过从kV CT/CBCT数据生成合成MV CBCT图像来提高心脏起器的轮精度.
- 在这个任务中比较循环GAN和条件GAN (cGAN) 模型的性能.
主要方法:
- 两个生成对抗网络 (GAN) 模型,cycleGAN和cGAN,经过训练,可以从kV CT/CBCT图像中生成合成MV (sMV) CBCT图像.
- 使用了10个起器和4个胸部幻影,创造了35种成像组合.
- 在sMV CBCT和原始MV CBCT图像上的心脏起器轮是手动划分并使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和平均表面距离 (MSD) 进行评估的.
主要成果:
- 视觉检查显示,与原始kV CT/CBCT图像相比,sMV CBCT图像上的心脏起器可视化得到了改善.
- 在提高心脏起器可视化方面,cGAN模型表现出了优异的性能,而不是cycleGAN.
- 使用cGAN模型,从kV CT/CBCT生成的sMV CBCT图像中,平均DSC值为0.91±0.02/0.92±0.01,平均HD95值为1.38±0.31mm/1.18±0.20mm,平均MSD值为0.42±0.07mm/0.36±0.06mm.
结论:
- 深度学习方法,特别是cycleGAN和cGAN,可以有效地提高胸部kV CT/CBCT图像中的心脏起器可视化.
- 改进的可视化导致心脏起器的增强轮精度.
- 这一进步有望改善带有起器的患者的放射治疗计划和治疗.
