针对患者的深度学习用于3D原声学图像重建和剂量验证在质子疗法中

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 质子疗法是一种治疗方法.

背景情况:

• 原声学 (PA) 成像为质子疗法提供实时3D剂量验证,但由于有限角度获取而遭受扭曲.
• 以前的深度学习模型显示出有希望的结果,但由于训练数据有限,对个体患者缺乏有效性.
• 准确的剂量验证对于减轻质子疗法范围的不确定性至关重要.

研究的目的:

• 开发和评估一种针对患者的深度学习方法,用于原声学成像.
• 提高PA图像的重建质量,并提高对个体患者的质子疗法剂量验证的准确性.
• 为了实现前列腺癌治疗的实时3D剂量验证.

主要方法:

• 采用了两阶段的深度学习方法:在不同的患者数据上训练的组模型,然后进行转移学习以进行患者特定的调整.
• 用一种新的数据增强方法创建患者特定的数据集,用于模型适应.
• 使用基于CT图像和计划剂量的模拟PA信号;使用RMSE,SSIM和马指数对地面真相进行重建评估.

主要成果:

• 针对患者的模型实现了卓越的性能,平均RMSE为0.014和SSIM为0.981,超过了组模型.
• 剂量验证显示高准确度,平均RMSE为0.011和SSIM为0.995,通过玛指数达成97.4%-97.9%的协议.
• 该方法证明了在线3D剂量验证的可行性,在每位患者大约6秒内重建PA图像.

结论:

• 特定于患者的深度学习使得在质子疗法中高精度,基于3D原声学的剂量验证成为可能.
• 这种技术有可能指导治疗,减轻范围的不确定性,并提高治疗精度.
• 需要进一步的临床验证来确定这种方法的全部影响.