基于深度学习在多中心数据集中的骨盆病例的合成CT生成
Xianan Li1, Lecheng Jia2,3, Fengyu Lin4
1Peking University People's Hospital, Beijing, China.
Radiation oncology (London, England)
|July 9, 2024
概括
这项研究开发了一个生成对抗网络 (GAN) 模型,从MRI扫描中创建合成CT图像,用于直肠癌放射治疗. 该模型显示出优秀的概括性,使一个可行的MRI-only工作流成为可能.
科学领域:
- 医学成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能是人工智能.
背景情况:
- 多中心数据集对医学图像合成提出了挑战.
- 结直肠癌放射治疗通常需要MRI和CT扫描.
- 为了提高效率和患者的舒适性,开发仅用于MRI的工作流程是理想的.
研究的目的:
- 评估从MRI图像合成CT图像用于直肠癌放射治疗的可行性.
- 开发和验证用于多中心MRI-to-CT合成的生成对抗网络 (GAN) 模型.
- 为了评估合成CT图像的剂量测量精度.
主要方法:
- 提出了一种新的GAN模型,其中包含了对比学习和一致性规范化.
- 使用来自多中心数据集的T2加权MR和CT图像.
- 进行了图像相似度指标 (MAE,SNRpeak,SSIM,GP) 和剂量分析.
主要成果:
- 拟议的模型在未见的数据集上实现了优异的概括 (GP=0.911).
- 与基线模型相比,图像相似度指标的显著改善被观察到.
- 剂量测量分析显示合成和真实CT图像之间的差异很小 (<1%).
结论:
- 开发的GAN模型准确地合成了多中心直肠癌数据集中的MRI图像中的CT图像.
- 合成CT图像在临床上可接受的范围内显示了剂量计准确性.
- 这证实了对直肠癌患者仅MRI放射治疗工作流程的可行性.
