评估深度学习磁共振成像重建方法用于合成计算机断层扫描在前列腺放射治疗中的生成

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 医疗成像医学成像

背景情况:

• 只有MRI的放射治疗不包括CT,依赖于由MRI生成的合成CT (sCT).
• 评估商业sCT与加速深度学习重建 (DLR) 的兼容性对于仅使用MRI的工作流程至关重要.

研究的目的:

• 评估商业合成CT (sCT) 与加速深度学习重建 (DLR) 在仅MRI前列腺放射治疗中的兼容性.
• 评估DLR对sCT质量,Hounsfield单位 (HU) 精度和剂量测量结果的影响.

主要方法:

• 使用了两个患者队列:第1队列 (n=24) 用于孤立的DLR效应,第2队列 (n=15) 用于加速MRI获取 (40%的时间缩短).
• 用传统方法和DLR重建MRI数据;为两者生成sCTs.
• 分析了sCT质量,HU值和剂量计影响.

主要成果:

• 从DLRMRI数据生成的sCT图像显示了临床上可接受的质量.
• 目标和有风险的器官的平均剂量差异是可以忽略不计的 (<0.06 Gy).
• 对于所有测试标准 (3%/3mm,2%/2mm,1%/1mm) 的gamma通过率为100%.

结论:

• 深度学习重建 (DLR) 适用于MRI仅放射治疗中的sCT生成.
• DLR可显著减少扫描时间,而不会影响sCT质量或剂量计准确度.
• 这种方法与仅使用MRI的前列腺放射治疗工作流程兼容.