技术说明:使用深度学习对0.35 T MRI-Linac的CIED文物进行最小化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 辐射疗法 辐射疗法

背景情况:

• 植入式心脏转移器除器 (ICD) 创建了挑战磁共振成像 (MRI) 引导放射治疗 (MRgRT) 的工件.
• 文物可能会损害图像质量和处理精度.

研究的目的:

• 评估一个无监督的生成对抗网络 (CycleGAN),以减轻平衡稳定状态自由前行 (bSSFP) 电影MRI中的ICD工件.
• 为了提高MRgRT程序的图像质量和跟踪性能.

主要方法:

• 一个CycleGAN模型被训练在bSSFPMRI数据从14名健康志愿者与模拟ICDs.
• 该模型使用Leave-One-Out交叉验证方案进行了测试.
• 图像质量和跟踪指标 (DSC,TRE,95%HD,nRMSE,PSNR,MS-SSIM) 被评估,以及对患者数据的定性评估.

主要成果:

• 循环GAN重建显著改善了全心轮跟踪:子相似系数 (DSC) 从0.910增加到0.935,目标注册误差 (TRE) 从4.488降至2.877毫米,95%的豪斯多夫距离 (95%高清) 从10.236降至7.700毫米.
• 图像质量指标也得到了改善:正常化根平均平方误差 (nRMSE) 从0.644降至0.420,多尺度结构相似性 (MS-SSIM) 从0.779增加到0.819,峰值信号噪声比 (PSNR) 从18.744增加到22.368.
• 对额外数据集的定性分析证实了ICD文物减少.

结论:

• 在MRI指导放射治疗 (MRgRT) 中,CycleGAN有效地减轻了可植入心脏转换器除器 (ICD) 工件.
• 由人工智能驱动的方法显著提高了图像质量和跟踪精度,这对于精确的放射治疗至关重要.