圆束CT到CT图像翻译使用基于变压器的深度学习模型用于前列腺癌适应性放射治疗
Yuhei Koike1,2, Hideki Takegawa3,4, Yusuke Anetai3,4
1Department of Radiology, Kansai Medical University, 2-5-1 Shinmachi, Hirakata, Osaka, 573-1010, Japan. koikeyuh@hirakata.kmu.ac.jp.
Journal of imaging informatics in medicine
|November 7, 2024
概括
基于变压器的SwinUNETR显著提高了适应性放射治疗的圆束CT图像质量,优于传统的U-net模型. 这提高了前列腺癌患者辐射剂量计算的准确性.
科学领域:
- 医疗成像医学成像
- 放射治疗 物理 物理
- 人工智能在医学中的应用
背景情况:
- 圆束计算机断层扫描 (CBCT) 为图像引导放射治疗提供实时成像,但与计划CT (pCT) 相比,其图像质量较差.
- 这种质量缺陷限制了CBCT在适应性放射治疗 (ART) 中的应用,该疗法需要高保真度图像来进行治疗调整.
- 提高CBCT图像质量对于提高ART的精度和有效性至关重要.
研究的目的:
- 为了提高放射治疗的CBCT图像质量,使用基于变压器的深度学习模型,SwinUNETR.
- 为了比较SwinUNETR的性能与传统的卷积神经网络 (CNN) 模型,U-net,用于CBCT-to-CT图像合成.
- 为了评估光子疗法合成CT图像的剂量计影响.
主要方法:
- 对260名前列腺放射治疗患者进行了回顾性研究,数据分为培训 (245名患者) 和独立测试 (15名患者).
- 使用CycleGAN框架从CBCT生成合成CT (sCT) 图像,其中SwinUNETR和U-net作为生成器.
- 图像质量是使用CT数值的平均绝对误差来评估的,剂量计准确性是通过马分析和剂量-体积直方图 (DVH) 与pCT进行比较来评估的.
主要成果:
- 与pCT相比,SwinUNETR的绝对平均误差 (64.69 HU) 与U-net (73.49 HU) 和原始CBCT (84.07 HU) 相比较低.
- 马分析表明pCT和SwinUNETR衍生的sCT计划之间的剂量一致性优于U-net衍生的计划.
- 在基于SwinUNETR的sCT图像上计算的DVH参数与pCT计划的偏差小于1%.
结论:
- 基于变压器的SwinUNETR模型在从CBCT生成高质量的合成CT图像方面明显优于基于CNN的U-net模型.
- 改进的合成CT图像质量有助于更准确的剂量计算,这对于适应性放射治疗至关重要.
- 这项研究突出了变压器架构在辐射瘤学中推进CBCT到CT图像转换的潜力.
更多相关视频
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
1.7K
09:49Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
Published on: December 2, 2013
10.3K
