一个深度学习模型用于将CT转化为通风成像:对功能回避放射治疗规划的准确性和影响的分析

科学领域:

• 医学成像医学成像
• 人工智能在瘤学中的应用
• 放射治疗规划 放射治疗规划

背景情况:

• 功能性肺成像有助于减少放射治疗期间的肺毒性.
• 自由呼吸的4DCT衍生的通风成像 (CTVI) 量化了肺功能.
• 准确的CTVI对于有效的功能性规避规划至关重要.

研究的目的:

• 开发和验证一个深度学习模型,直接从计划CT图像中生成合成CTVI (CTVI_Syn).
• 评估CTVI_Syn与来自4DCT (CTVI_4DCT) 的CTVI相比的准确性.
• 评估CTVI_Syn指导的功能性规避计划对减少肺毒性和保持计划质量的影响.

主要方法:

• 一个基于3D U-Net的深度学习模型被训练,使用48名NSCLC患者的配对计划CT和4DCT扫描.
• CTVI_4DCT作为基本真相,使用基于雅可比的算法生成.
• 使用斯皮尔曼相关性 (r_s) 和子相似系数 (DSC) 验证了模型性能.
• 使用CTVI_4DCT和CTVI_Syn创建了功能性避免计划,以节省高通风肺部区域的前50%的空气.
• 分析了剂量-体积组图 (DVH) 和剂量-功能组图 (DFH),并使用NTCP模型估计了辐射肺炎 (RP) 风险.

主要成果:

• CTVI_Syn与CTVI_4DCT (平均r_s=0.65) 显示出中等至高的相关性.
• 顶部通风范围 (50-60%) 的平均DSC值为0.41-0.52.
• 与临床计划相比,CTVI_4DCT指导计划显著降低了RP风险 (29.24%与49.12%相比,P=0.016).
• 与CTVI_Syn指导的计划相比,CTVI_4DCT指导的计划也显著降低了RP风险 (31.13%与49.12%,P=0.022),与CTVI_4DCT指导的计划相比没有显著差异.
• 在CTVI_Syn和CTVI_4DCT指导计划之间,DVH和DFH指标没有显著差异.

结论:

• 深度学习有效地产生合成CTVI从规划CT中等到高精度.
• 在降低肺毒性方面,CTVI_Syn指导的放射治疗规划与CTVI_{4DCT指导的规划相当.}
• 这种方法保持了可接受的计划质量,并为改善肺癌患者放射治疗结果提供了有前途的方法.
• 需要进一步的前性试验来证实这些发现.