通过双面板X射线图像进行强大的实时癌症跟踪,用于精确的放射治疗

科学领域:

• 医学物理 医学物理
• 人工智能在医学中的应用
• 放射治疗技术 放射治疗技术

背景情况:

• 呼吸运动显著挑战肺癌放射治疗的精度.
• 精确的瘤定位对于有效的辐射输送至关重要.
• 当前的跟踪方法通常依赖于标记器,或者对实时性能有局限性.

研究的目的:

• 开发和评估基于深度学习的无标记系统,用于使用直角X射线投影实时跟踪肺瘤.
• 为了提高放射治疗期间瘤定位的准确性和稳定性.
• 通过使用各种数据集,对现有算法进行系统性能评估.

主要方法:

• 这是一个新的深度学习框架,结合了先进的数据增强 (混合可变形模型,3D薄板支线),基于变压器的细分网络和CNN回归网络.
• 利用直角X射线投影图像进行3D瘤位置估计.
• 使用癌症成像档案 (TCIA) 患者数据和动态胸部幻影数据在不同噪声条件下进行评估.

主要成果:

• 实现了高细分精度 (DSC ~0.97) 和精确的3D中心位定位 (患者数据偏差<0.55毫米,幻影数据<0.33毫米).
• 在不同的瘤大小和噪音水平上表现出色,即使在高噪音下,误差<1毫米.
• 实时处理达到90ms/的平均速度,保持高的跟踪成功率.

结论:

• 拟议的无标记追踪方法提供了卓越的准确性,噪声稳定性和实时功能,用于放射治疗中的肺瘤定位.
• 这项技术有可能显著提高放射治疗的精度,并个性化癌症治疗,特别是在小瘤.
• 代表了在肺癌治疗中克服呼吸运动人工物方面的重大进展.