基于深度学习的投影合成用于图像导向放射治疗中的低剂量圆束计算机断层扫描成像
Xuzhi Zhao1, Yi Du2,3, Haizhen Yue2
1School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing, China.
Quantitative imaging in medicine and surgery
|January 15, 2024
概括
一个新的卷积神经网络 (SynCNN) 有效地合成了低剂量束计算断层扫描 (CBCT) 图像的缺失投影. 这种方法显著提高了图像指导放射治疗 (IGRT) 的图像质量,可能减少患者的辐射暴露.
科学领域:
- 医疗成像医学成像
- 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:
- 图像指导放射疗法 (IGRT) 中的圆束计算断层扫描 (CBCT) 涉及可对患者健康产生不利影响的成像剂量.
- 提高稀疏视图,低剂量CBCT图像的质量对于安全有效的放射治疗至关重要.
研究的目的:
- 介绍和评估一个投影合成卷积神经网络 (SynCNN) 模型,用于增强稀疏视图低剂量CBCT图像.
- 评估SynCNN模型在合成缺失的投影和重建高质量的断层图像方面的有效性.
主要方法:
- 进行了一项回顾性研究,涉及223名脑瘤患者.
- SynCNN模型利用方向可分离的空间内核来合成来自邻近稀疏视图数据的缺失投影.
- 使用RMSE,PSNR,SSIM和专家主观评分等指标评估图像质量,并与其他方法进行比较.
主要成果:
- SynCNN模型准确地合成了缺失的投影,在幻影和患者研究中显著提高了图像质量.
- 定量指标 (RMSE,PSNR,SSIM) 在各种稀疏视频速率 (1/2,1/4,1/8) 中显示了SynCNN合成的实质性改进.
- 专家评估证实SynCNN合成图像的图像质量和接受率更高,合成时间小于0.01秒.
结论:
- SynCNN 模型有效地提高了稀疏视图 CBCT 图像质量,以最小的计算成本.
- 这项技术有可能减少IGRT中的CBCT成像剂量,从而提高患者的安全性.
