仅基于MRI的材料质量密度和通过深度学习对质子疗法的相对停止功率估计:一项初步研究

科学领域:

• 医学物理 医学物理
• 人工智能的人工智能
• 辐射疗法 辐射疗法

背景情况:

• 磁共振成像 (MRI) 与计算机断层扫描 (CT) 相比,为治疗规划提供了优越的软组织对比度.
• 核磁共振没有直接质量密度和相对制止功率 (RSP) 信息,这些信息对于质子放射治疗剂量计算至关重要.
• 正在探索将人工智能 (AI) 整合到基于MRI的规划中,以估计这些基本参数.

研究的目的:

• 开发和评估一个深度学习 (DL) 框架,用于直接从MRI数据中估计质量密度和RSP.
• 用不同的MRI序列 (T1,T2,ZTE) 和合成CT数据来评估DL模型的准确性.
• 为了证明仅使用MRI方法进行质子疗法治疗计划的可行性.

主要方法:

• 开发了一个DL框架,以将MR图像与质量密度和RSP相关联.
• 为模型培训和验证创建了组织和动物幽灵.
• 经过训练的DL模型使用临床T1/T2MRI,零回声时间 (ZTE) MRI和合成双能CT (sDECT) 图像.
• 评估模型与双能CT实证模型对比.

主要成果:

• 基于T1/T2MRI的DL模型准确估计了软组织 (皮肤,肌肉,脂肪,大脑,肝脏) 的质量密度和RSP,其平均绝对百分比误差 (MAPE) 较低.
• 基于MRI的ZTEDL模型显著提高了骨和酸 (HA) 幻影的精度 (MAPE<0.23%的质量密度,<0.19%的RSP).
• 患者应用模型显示出有希望的结果,sDECT输入提高了骨精度.

结论:

• 开发的DL框架允许使用仅MRI的方法准确估计质量密度和RSP.
• 这种人工智能驱动的方法可能会在质子疗法规划中取代传统的CT,简化工作流程.
• 这些发现支持基于DL的MRI分析的临床整合,用于精确的质子放射治疗剂量计算.