卷度MRI采用稀疏采样,用于通过稀疏的先前增强隐性神经表示学习进行MR引导的3D运动跟踪.
Lianli Liu1, Liyue Shen2, Adam Johansson3,4,5
1Department of Radiation Oncology, Stanford University, Palo Alto, California, USA.
Medical physics
|November 28, 2023
概括
这项研究引入了一种使用稀疏数据重建3DMRI的新方法,改进了放射治疗的运动跟踪. 该方法通过减少对广泛培训数据集的需求来简化工作流程.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 从稀疏样本进行体积核磁共振 (MRI) 重建对于MR导向放射治疗中的3D运动跟踪至关重要.
- 目前的数据驱动方法需要大量的,耗时的训练数据集,这带来了临床挑战.
研究的目的:
- 通过隐式神经表示 (NeRP) 学习,从稀疏的直角切片研究体积MRI重建.
- 为了利用静态3DMRI的稀疏先验,在放射治疗中增强3D运动跟踪.
主要方法:
- 训练了多层感知子网络,以使用voxel强度和运动状态参数化患者特定的NeRP模型.
- 嵌入呼吸运动先验到网络重量使用两个静态的3DMRI扫描 (吸入/呼气).
- 增加了先验到31个运动状态,并通过稀疏的直角MRI切片训练网络进行体积重建.
主要成果:
- 实现了高图像质量,峰值信号噪声比为38.02 ± 2.60dB,SSIM为0.98 ± 0.01.
- 证明了一致的总瘤体积 (GTV) 运动跟踪与豪斯多夫距离 < voxel 维度.
- 报告的平均GTV心心位置差异在所有方向<1毫米.
结论:
- 开发了一种先前增强的NeRP模型,用于从稀疏的Cine切片进行体积MRI重建.
- 训练只需要一个吸入和一个呼出3DMRI,简化了先前的运动学习.
- 通过消除大型数据集,有可能提高MR导向放射治疗的精度和简化临床工作流程.
