从使用自我注意力残留UNet的形束计算机断层扫描生成合成图像,用于头部和部放射治疗

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 在圆束CT (CBCT) 中精确的CT数值对于适应性放射治疗 (ART) 中精确的剂量计算至关重要.
• 从CBCT生成合成CT (sCT) 对于提高ART的剂量准确性至关重要,特别是对于头部 (HN) 患者.

研究的目的:

• 开发和评估一种新的深度学习 (DL) 模型,即自我注意力残余UNet (ResUNet),用于从CBCT数据中生成准确的合成CT (sCT).
• 为了比较ResUNet与传统UNet在头部和部放射治疗中sCT生成的性能.
• 评估DL生成的sCT对适应性放射治疗中剂量计算准确性的影响.

主要方法:

• 开发了一个新的"自我注意-剩余-UNet" (ResUNet) DL模型,将自我注意机制纳入跳过连接中.
• 利用了93名头癌患者的数据,包括计划CT (pCT) 和第一天CBCT图像.
• 使用图像质量指标 (MAE,PSNR,SSIM) 和剂量计算精度指标 (DVH偏差,玛分析) 评估模型性能.

主要成果:

• 与2.5D-UNet相比,2.5D-ResUNet模型实现了更高的图像质量,MAE更低 (46±7 HU vs. 51±9 HU) 和PSNR更高 (66.6±2.0 dB vs. 65.8±1.8 dB).
• 这两种DL模型都表现出极好的剂量计算准确性,DVH偏差低于0.5%和马传递率 (1%/1mm) 超过97%.
• 在ResUNet和UNet模型之间没有观察到剂量计算精度的显著差异.

结论:

• 该ResUNet模型显著提高CT数值的准确性和图像质量,用于CBCT合成CT生成.
• 在生成用于头部和部自适应性放射治疗的合成CT图像方面,ResUNet的表现优于传统的UNet.
• 这种深度学习方法在生成精确的合成CT数据方面显著有前途,改善了头适应性放射治疗中的剂量计算.