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

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.