从千伏电压圆束计算机断层扫描图像进行基于深度学习的监督合成计算机断层扫描,用于头癌适应性辐射治疗
Chirasak Khamfongkhruea1,2, Tipaporn Prakarnpilas1, Sangutid Thongsawad1,2
1Medical Physics Program, Princess Srisavangavadhana College of Medicine, Chulabhorn Royal Academy, Bangkok, Thailand.
Radiation oncology journal
|October 2, 2024
概括
一个深度学习模型成功地从头癌适应性辐射治疗的kV-CBCT扫描中创建了合成CT图像. 这种方法有望提高瘤学中的治疗准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 辐射瘤学 辐射瘤学
背景情况:
- 适应性辐射疗法 (ART) 需要准确的患者成像来调整治疗.
- 千伏圆束计算断层扫描 (kV-CBCT) 通常用于图像指导,但对剂量计算有局限性.
- 来自kV-CBCT的合成计算机断层扫描 (sCT) 可以弥合这一差距,改善ART工作流程.
研究的目的:
- 开发和评估一个监督的深度学习算法,用于从kV-CBCT数据生成合成CT (sCT) 图像.
- 对接受适应性放射治疗的头癌 (HNC) 患者的sCT图像的准确性和质量进行评估.
主要方法:
- 在40名HNC患者的3,491个计划CT (pCT) 和kV-CBCT图像对上训练了一个U-Net深度学习模型.
- 该模型的评估基于霍恩斯菲尔德单位准确性 (MAE,RMSE),图像质量 (PSNR,SSIM) 和剂量计准确性 (3D马传递率).
主要成果:
- 与初始值相比,深度学习模型显示了更好的准确性和图像质量指标.
- 高的3D马通过率 (例如,2%/2毫米标准的92.1%) 表明了良好的剂量测量准确性.
- 在sCT和pCT图像之间观察到剂量分布的微小变化和一些解剖学差异.
结论:
- 监督的U-Net深度学习模型显示了从kV-CBCT生成可靠的sCT图像的巨大潜力.
- 这项技术可以支持头癌患者的适应性辐射疗法,从而有可能提高治疗精度.
