在基于深度学习的脑瘤放射治疗规划中应用MRI图像

科学领域:

• 放射治疗 物理 物理
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 磁共振成像 (MRI) 和计算机断层扫描 (CT) 对于放射治疗规划至关重要.
• 精确的剂量计算需要CT数据,但MRI提供卓越的软组织对比度.
• 开发利用MRI数据用于基于CT的放射治疗计划的方法至关重要.

研究的目的:

• 评估深度学习方法的准确性,用于将MRI转换为合成CT图像.
• 评估由MRI生成的合成CT图像的剂量测量精度,用于放射治疗规划.
• 通过基于深度学习的图像转换来探索MRI在放射治疗规划中的实用性.

主要方法:

• 开发了一个U-NET深度学习模型,将MRI转换为CT图像.
• 该模型使用131名脑瘤患者的数据进行训练和调整 (105名训练,26名调整).
• 模型的准确性在8名患者的独立测试组上通过剂量计验证.

主要成果:

• 与原始CT相比,来自MRI的合成CT图像显示了最小的剂量测量差异 (PTV D98,D95,D2,D平均值<0.5%).
• 在规划目标体积 (PTV) 和全身体积方面都实现了高马传递率.
• 通过PTV马的比率: 93.96%±6.75% (1%/1mm),99.87%±0.30% (2%/2mm),100.00%±0.00% (3%/3mm). 通过PTV马的比率: 93.96%±6.75% (1%/1mm),99.87%±0.30% (2%/2mm),100.00%±0.00% (3%/3mm). 通过PTV马的比率: 93.96%±6.75% (1%/1mm),99.87%±0.30% (2%/2mm),100.00%±0.00% (3%/3mm). 通过PTV马的比率:
• 全身体积马传递率:99.14%±0.80% (1%/1mm),99.92%±0.08% (2%/2mm),99.99%±0.01% (3%/3mm). 马传递率是指整个身体体积马传递率的99.14%±0.80% (1%/1mm),99.92%±0.08% (2%/2mm),99.99%±0.01% (3%/3mm) 的马传递率是指整个身体体积马传递率的99.14%±0.8%.

结论:

• 基于深度学习的MRI-to-CT转换是放射治疗规划的可行方法.
• 来自MRI的合成CT图像可以可靠地用于准确的剂量计算.
• 这种方法提高了MRI在放射治疗中的实用性,有助于划分和治疗评估.