质子剂量计的可行性优先于通过生成性人工智能工具制定的每日CBCT规划CT,并通过生成性人工智能工具制定每日CBCT

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 圆束计算断层扫描 (CBCT) 对于放射治疗患者的定位至关重要,但受到人工物和强度变化的影响.
• 原始CBCT的局限性,包括狭窄的视野和散射,阻止直接使用用于准确的剂量重新计算.
• 需要有效的校正技术来将CBCT像素强度重新映射到临床应用中的Hounsfield单位 (HU).

研究的目的:

• 开发和评估一个深度学习框架,用于校准狭窄视野CBCT图像.
• 评估框架在改善质子疗法治疗计划更新方面的潜力.
• 在CBCT中使用生成对抗网络来减少文物和重新映射HU值.

主要方法:

• 使用循环一致的生成对抗网络 (cGAN) 来处理CBCT原始数据,减少分散和重新绘制HU.
• 蒙特卡洛模拟生成了CBCT扫描来评估文物减少,从而与计划CT (pCT) 进行比较.
• 实验通过使用40名胰腺癌患者的真实CBCT数据进行验证,这些患者接受了废除性放射治疗.

主要成果:

• 与pCT相比,模拟的CBCT校准结果在质子剂量测量中<2%的差异.
• 潜在的危险器官毒性从~50% (未校准) 降至2% (校准).
• 马传导率 (3%/2mm) 通过校准提高了约37% (53.78%至90.26%);实际数据显示65.36%至87.20%.

结论:

• 拟议的深度学习框架有效校准了狭窄的FOV CBCT,显著提高了质子剂量计的准确性.
• 人工智能驱动的CBCT校准大大降低了预测的器官毒性,并提高了剂量预测的准确性.
• 这种方法推进了狭窄FOV CBCT的临床翻译,用于质子疗法规划更新.