基于深度学习的骨盆合成计算机断层扫描产生的最小成像剂量来自形光束图像
Yan Chi Ivy Chan1, Minglun Li1,2, Adrian Thummerer1
1Department of Radiation Oncology, LMU University Hospital, LMU Munich, Munich 81377, Germany.
Physics and imaging in radiation oncology
|October 30, 2024
概括
在放射治疗中减少辐射暴露需要较低的圆束计算机断层扫描 (CBCT) 成像剂量. 深度学习模型,cycleGAN和CUT,将25%的投影确定为可接受的图像质量和准确性的最低剂量.
科学领域:
- 医学物理 医学物理
- 辐射疗法成像成像技术
- 人工智能在医学中的应用
背景情况:
- 在图像导向放射治疗 (IGRT) 中,每日形束计算断层扫描 (CBCT) 涉及辐射暴露和二次癌症风险.
- 由于图像质量恶化,降低成像剂量具有挑战性.
研究的目的:
- 通过降低预测来调查CBCT的降低成像剂量水平.
- 评估图像校正的深度学习算法,以确定可以实现的最低成像剂量,同时保持质量.
主要方法:
- 使用100%,25%,15%和10%的投影重建了CBCT图像.
- 两个深度学习模型,cycleGAN和CUT,经过训练并比较,用于从低剂量CBCT生成合成CT (sCT).
- 图像质量,霍恩斯菲尔德单位 (HU) 精度,定位精度和解剖细分 (膀,直肠) 被评估.
主要成果:
- 所有合成CT (sCT) 均实现了高图像质量指标 (MAE < 59 HU,SSIM > 0.94,PSNR > 33 dB).
- 剂量计和定位准确度保持在可接受的范围内 (DVH差异<2 Gy,定位<0.30 mm/0.30°).
- 与CUT (0.83/0.76) 相比,CycleGAN在解剖细分方面表现优越 (膀/直肠的Dice分数为0.85/0.81),尽管两者在15%和10%的预测中都显示出精度下降.
结论:
- 深度学习算法有效地从减少的CBCT成像剂量生成合成CT.
- 根据细分精度,25%的投影被确定为IGRT中CBCT的最小可接受成像剂量.
