用深度学习进行CT合成,用于仅MR的放射治疗规划:一篇综述

科学领域:

• 医学物理 医学物理
• 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:

• 仅MR的放射治疗规划比传统的基于CT的方法提供了时间和安全优势.
• 在只有MR的工作流程中,合成CT生成对于准确的剂量计算至关重要.
• 深度学习模型在将MRI图像翻译成合成CT时显示出前景.

研究的目的:

• 为MR-to-CT合成提供深度学习方法的全面概述.
• 为此任务使用的不同深度学习模型进行分类和比较.
• 评估当前临床应用方法的潜力和局限性.

主要方法:

• 审查深度学习技术,包括卷积神经网络 (CNN),生成对抗网络 (GAN),变压器模型和扩散模型.
• 对MR-to-CT合成的图像对图像翻译策略的分析.
• 基于结构保存和细节合成,对模型性能进行比较评估.

主要成果:

• 深度学习模型有效地保留域不变结构,同时从MR图像中合成CT图像的域特定细节.
• 不同的模型类 (CNN,GAN,变压器,扩散) 为MR-to-CT合成提供了不同的优势和挑战.
• 这些模型的性能受建筑选择和培训策略的影响.

结论:

• 基于深度学习的MR-to-CT合成是一种可行的方法,可以推进MR-only放射治疗的规划.
• 为了广泛的临床采用,需要对模型优化和验证进行进一步的研究.
• 对比分析突出了需要提高合成CT生成的准确性和稳定性的领域.