通过基于深度学习的框架内运动补偿来减少辐射电影MRI的成像误差

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 射线电影磁共振成像 (MRI) 能够在放射治疗期间进行运动监测的高速成像.
• 在重建过程中,分数内运动可能会导致目标定位错误,特别是在快速的生理运动中.
• 目前的方法在动态场景中难以准确的实时运动补偿.

研究的目的:

• 通过实施基于深度学习的框架内运动补偿来增强辐射电影MRI.
• 开发一个新的网络,TransSin-UNet,用于估计末目标位置.
• 为了减少实时MRI指导放射治疗中的目标定位错误.

主要方法:

• 提出了一个新的TransSin-UNet架构,将变压器编码器和UNet子网络结合起来.
• 该网络模拟了用于运动补偿的sinogram数据中的时空依赖性.
• 训练和评估使用模拟的4D数字肺癌幻象与运动依赖的辐射采样进行.

主要成果:

• 通过TransSin-UNet,实现了正常化根的平均平方误差减少50% (从0.188).
• 总瘤体积的平均子相似度系数从85.1%提高到96.2%.
• 该方法证明了对变形解剖结构的最终位置的精确导出,并增加了最小的计算成本 (4.8 ms/frame).

结论:

• 拟议的TransSin-UNet有效地弥补了辐射影像MRI中的框架内运动.
• 这种深度学习方法显著提高了图像质量和目标定位精度.
• 它为减少MRI导向放射治疗实时运动管理错误提供了一个有希望的解决方案.