混合监督的深度学习用于域移动3D原声波图像重建的域移动
Yankun Lang1, Zhuoran Jiang2, Leshan Sun3
1Department of Radiation Oncology Physics, University of Maryland, Baltimore, Baltimore, MD 21201, United States of America.
Physics in medicine and biology
|March 12, 2024
概括
这项研究引入了一种深度学习方法,以改善用于质子疗法剂量验证的原声学成像. 新方法提高了准确性和速度,使其适合实时3D剂量验证.
科学领域:
- 医学物理 医学物理
- 医疗保健中的人工智能
- 质子疗法是一种治疗方法.
背景情况:
- 原声学成像提供实时3D质子疗法剂量验证,但由于有限的采集角度而遭受人工物影响,影响准确性.
- 解决有限视图问题对于可靠的质子剂量验证至关重要.
研究的目的:
- 开发一种混合监督的深度学习方法,以克服用于质子疗法的原声成像中的有限视图问题.
- 为了提高3D质子剂量验证的准确性和效率.
主要方法:
- 提出了一个两阶段的深度学习方法,Recon-Enhance,利用变压器网络进行初始重建和3D U-net进行图像增强.
- 重建网络采用了混合监督方法,具有代重建,转移学习和自我监督.
- 增强网络由地面真实压力图监督.
主要成果:
- 该方法在重建初始压力图中实现了高精度,平均RMSE为0.0292和SSIM为0.9618.
- 剂量验证表明与地面真相有很好的一致性,平均RMSE为0.018和SSIM为0.9891.
- 处理时间缩短到6秒,使得在线3D剂量验证.
结论:
- 开发的混合监督深度学习方法有效地解决了原声学成像中的有限视图问题.
- 这种方法显著提高了体内3D质子剂量验证的准确性和效率,提高了质子疗法的精度.
- 原声学成像显示出很大的希望,作为一种工具,在质子疗法中最大限度地减少范围不确定性.
