基于深度学习的超低剂量风扇束计算机断层扫描图像增强算法:用于放射治疗的图像质量的可行性研究

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:

• 临床放射治疗需要高质量的成像,以准确地准瘤和计划治疗.
• 超低剂量计算机断层扫描 (LDCT) 可以减少辐射暴露,但往往会损害图像质量.
• 深度学习为增强LDCT图像以满足临床标准提供了潜在的解决方案.

研究的目的:

• 评估基于深度学习的算法的可行性,用于增强超低剂量的kV风扇束CT (kV-FBCT) 图像.
• 评估增强的LDCT图像用于腹部和盆腔瘤放射治疗的临床适用性.

主要方法:

• 基于CycleGAN的深度学习模型被开发用于图像增强.
• 76名患有腹部和盆腔瘤的患者被前性地纳入.
• 使用主观和客观指标分析图像,比较正常剂量CT (NDCT),LDCT和深度学习增强CT (DLR).

主要成果:

• 与LDCT相比,DLR显著降低了图像噪声,并改善了对比度和噪声比率 (CNR),接近NDCT水平.
• 与LDCT相比,DLR显著改善了低密度分辨率和空间频率 (MTF10,MTF50),略高于NDCT.
• 对DLR的主观图像质量得分与NDCT相比,与LDCT相比,在统计学上有显著的改善.

结论:

• 深度学习增强的LDCT (DLR) 实现了接近NDCT的图像质量,同时保持了降低的辐射剂量.
• 该DLR技术符合传统的图像引导自适应性放射治疗 (ART) 的质量要求.
• 这种方法在临床实践中为LDCT引导的ART提供了可行的技术基础.