基于MR的CT合成基于不确定性意识,用于对脑瘤进行强大的质子疗法规划

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:

• 深度学习在基于MR的CT合成中表现出色,但缺乏对质子疗法等临床应用的不确定性预测.
• 目前用于从MRI生成合成CT (sCT) 的方法不能充分解决合成过程中固有的不确定性,这限制了它们在关键治疗规划中的使用.

研究的目的:

• 开发和评估基于MR的CT合成的不确定性意识框架,以提高质子治疗计划的稳定性.
• 通过结合不确定性量化,提高合成CT图像在放射治疗中的临床实用性.

主要方法:

• 在配对的MR-CT图像上训练了一个有条件的生成-对抗网络,以从多平面MR中生成sCT.
• 贝叶斯神经网络被用来预测声素智的不确定性分布 (拉普拉斯参数μ,b).
• 使用从不确定性预测中获得的多个sCT优化了强大的质子计划,并与传统和非强大的计划进行了比较.

主要成果:

• 该框架实现了高质量的sCT,平均绝对误差为80.84 HU (身体),35.78 HU (软组织) 和221.88 HU (骨),各组织的Dice分数为90.33%,95.13%和85.53%.
• 预测的不确定性分布与绝对预测误差正相关 (r=0.62).
• 与传统 (1.64%) 和非强 (2.08%) 方法相比,不确定性条件强优化显著改善了计划协议 (例如,CTV D95绝对差异为1.10%).

结论:

• 开发的框架从MRI图像中生成高质量的3D合成CT,并包含不确定性预测.
• 这种方法可以实现有条件的强大优化,增强对深度学习预测错误的质子计划强度.
• 不确定性可视化和强大的分析有助于评估合成CT对个人质子疗法患者的临床实用性.