基于深度学习的目标分解,用于无标记肺瘤在放射治疗中的跟踪

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 在放射治疗中实时瘤跟踪对于准确的准和减少几何失误至关重要.
• 基于无标记kVX射线图像的追踪是困难的,因为周围结构造成的瘤可见性较低.
• 增强瘤可见性对于有效的实时瘤跟踪至关重要.

研究的目的:

• 介绍一种基于kV图像的无标记肺瘤追踪的新方法.
• 该方法利用基于深度学习的目标分解来改善瘤的可见性.

主要方法:

• 一个有条件的生成对抗网络 (cGAN),Pix2Pix,被用来创建患者特定的模型.
• 合成分解目标图像 (sDTI) 被生成以提高实时kV图像上的瘤可见性.
• 实时2D瘤跟踪使用模板匹配与生成的sDTI进行.

主要成果:

• 在kV投影图像中,sdti方法有效地改善了肺瘤的图像对比度.
• 平均跟踪误差为0.8 ± 0.7毫米 (SI) 和0.9 ± 0.8毫米 (IPLR).
• 在SI方向的跟踪误差小于2mm的情况下,成功率为92.2%.

结论:

• 拟议的方法为近乎实时的无标记肺瘤跟踪提供了潜在的解决方案.
• 该技术表现出高精度和令人印象深刻的追踪率.
• 建议对3D肺瘤跟踪进行进一步的研究.