一个基于对比学习的4D-CBCT校正网络,用于肺癌中剂量计算
Nannan Cao1,2,3,4, Ziyi Wang1,2,3,4, Jiangyi Ding1,2,3,4
1Department of Radiotherapy, The Affiliated Changzhou NO.2 People's Hospital of Nanjing Medical University, Changzhou, 213003, China.
Radiation oncology (London, England)
|February 9, 2024
概括
一个新的深度学习网络,基于对比学习的循环生成对抗网络 (CLCGAN),改善了四维束计算机断层扫描 (4D-CBCT) 图像质量和CT值准确性,用于肺癌患者. 这一进步使得放射治疗中的剂量计算更加精确.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 辐射瘤学 辐射瘤学
背景情况:
- 四维圆束计算断层扫描 (4D-CBCT) 对于肺癌放射治疗至关重要,但患有条纹文物和不准确的CT值.
- 这些图像质量问题可能会影响辐射剂量计算的准确性.
研究的目的:
- 引入一个深度学习网络,基于对比学习的循环生成对抗网络 (CLCGAN),用于4D-CBCT中的文物减少和CT值校正.
- 评估CLCGAN对肺癌患者图像质量和剂量计算准确性的影响.
主要方法:
- 一个CLCGAN模型使用肺癌患者的配对4D-CBCT和4DCT数据进行训练.
- 该模型生成了4D合成CT (4D-sCT) 图像,这些图像在定量和质量上与地面真实4DCT进行了评估.
- 从4D-CBCT和4D-sCT得出的剂量分布和计算与4D CT进行了比较.
主要成果:
- 与基线方法相比,CLCGAN显著改善了4D-sCT的图像质量指标 (SSIM,PSNR).
- 该网络减少了各种组织 (肺,骨,软组织) 的CT值的绝对平均差异.
- 使用CLCGAN校正的4D-CBCT进行的剂量计算显示出显著的改善,相对于标准的4D-CBCT相比,相对剂量差异减少.
结论:
- 在肺癌患者的4D-CBCT中,CLCGAN有效地减轻了条纹文物并纠正了CT值.
- 改进的图像质量和CT值准确度有助于更可靠的剂量计算.
- 经过CLCGAN校正的4D-CBCT显示了在肺癌放射治疗规划和实施中临床使用的潜力.
