基于GAN的自学伪CT生成软件的多中心评估,用于低场盆腔磁共振成像

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 与CT相比,MRI引导的放射治疗提供了优越的软组织可视化.
• 准确的电子密度信息对于放射治疗中剂量计算至关重要.
• 低场MRI缺乏通常由CT扫描提供的电子密度信息.

研究的目的:

• 开发和临床评估基于AI的伪CT (pCT) 来自低场MRI.
• 评估人工智能生成的pCT用于盆腔癌放射治疗的图像准确性和剂量表现.
• 为了使MRI引导的适应性放射治疗使用低场MRI数据.

主要方法:

• 在350对盆腔CT和TrueFisp (0.35T) MRI上训练了一种使用组合自主监督GAN的AI模型.
• 从多个机构和CT供应商的20个回顾案例中评估了图像准确性.
• 剂量测量评估涉及29名前列腺癌患者的pCT和扭曲CT (wCT) 治疗计划的重新计算,并使用AAA,AcurosXB和蒙特卡洛算法比较结果.

主要成果:

• 人工智能生成的pCT显示,与计划CT相比,平均缩放的HU差异为33.20,各器官的变化 (股骨头:4.51-4.77,道/直肠:53.13-63.08).
• 在所有测试的算法中,平均马通过率超过96% (1%/1mm),99% (2%/2mm) 和99% (3%/3mm).
• 剂量指标显示pCT和wCT之间有很好的一致性,目标体积的平均相对差异为1%和风险器官的2%之间.

结论:

• 这项研究证实了从低场盆腔MRI产生临床上可接受的基于AI的伪CT的可行性.
• 人工智能生成的pCT为MRI导向放射治疗提供了一致的图像准确性和可靠的剂量测量结果.
• 这项技术可以通过利用低场MRI数据来增强盆腔癌的适应性放射治疗.