相关实验视频
Updated: Jun 28, 2025
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.0K
4D-Precise:基于学习的3D运动估计和高时间分辨率的4DCT重建从治疗2D+tX射线投影
Arezoo Zakeri1, Alireza Hokmabadi2, Michael G Nix3
1Centre for Computational Imaging and Simulation Technologies in Biomedicine, School of Computing, University of Leeds, Leeds, UK.
Computer methods and programs in biomedicine
|April 11, 2024
概括
这项研究介绍了4D-Precise,这是一种深度学习模型,可以从kV投影中重建4DCT图像,通过考虑呼吸运动来提高放射治疗的准确性. 该模型准确地捕捉了周期内和周期间的呼吸变化,以便更好地规划治疗.
科学领域:
- 医疗成像医学成像
- 放射疗法是一种放射治疗.
- 计算科学 计算科学
背景情况:
- 放射治疗中的呼吸诱导运动引入了不确定性,可能导致剂量输送错误.
- 传统的4D-CBCT患有文物,不准确的运动特征和后期限制.
- 精确的4D成像对于减轻放射治疗中与运动相关的不确定性至关重要.
研究的目的:
- 开发一种深度学习运动模型,用于估计来自处理kV投影系列的3D+tCT图像.
- 为了克服传统4D-CBCT在捕捉呼吸运动方面的局限性.
- 为了实现实时或近实时4D成像,以改善放射治疗指导.
主要方法:
- 提出了一个基于端到端学习的3D运动建模和4DCT重建模型,命名为4D-Precise.
- 开发了一个Torch-DRR模块,用于使用数字重建射线图 (DRR) 进行端到端培训.
- 引入了一种新的损失函数来调节时空运动场变化,利用规划4DCT来预先分发运动.
主要成果:
- 4D-Precise是针对特定患者进行培训的,并通过模拟和真实患者数据进行验证.
- 重建的卷与地面真相卷非常相似,显示出高度的相似性和准确性.
- 与SuPReMo.Mo.等现有方法相比,该模型实现了更光滑的变形和更少的负雅可比决定因素.
结论:
- 拟议的4D-Precise模型计算了周期内和周期间的呼吸运动,与传统技术不同.
- 它代表了长时间内的运动,覆盖了几分钟的kV扫描系列.
- 这一进步为放射治疗治疗的规划和交付提供了改进的运动管理.
