快速运动补偿重建4D-CBCT使用基于深度学习的小组注册
Zhehao Zhang1, Yao Hao1, Xiyao Jin1
1Department of Radiation Oncology, Washington University School of Medicine in St. Louis, St. Louis, MO, United States of America.
Biomedical physics & engineering express
|November 27, 2024
概括
深度学习 (DL) 注册显著加快了4D形束计算断层扫描 (4D-CBCT) 运动补偿 (MoCo) 重建的运动建模. 这种效率提升在不牺牲最终MoCo图像质量的情况下实现.
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:
- 深度学习 (DL) 增强的4D圆束计算机断层扫描 (4D-CBCT) 改善了运动建模和运动补偿 (MoCo) 重建.
- 传统的可变形图像记录 (DIR) 在处理时用于运动建模是暂时不可行的.
- 需要基于DL的高效注册方法,以便在治疗前快速生成4D-CBCT的运动模型.
研究的目的:
- 使用基于DL的注册来提高4D-CBCT MoCo重建的效率.
- 使用基于DL的方法,在治疗前快速生成运动模型.
- 与传统方法相比,评估基于DL的DIR模型的准确性和效率.
主要方法:
- 应用了文物减少DL模型来改进初始的4D-CBCT重建.
- 基于DL的DIR被用于估计相间运动模型.
- 两种DL DIR模型 (患者特异性和基于人群的) 与使用多个数据集的传统Elastix DIR进行了比较.
主要成果:
- DL DIR模型实现了与最先进的传统方法相美的注册准确性.
- 最终MoCo重建的图像质量在DL和传统方法之间没有显著差异.
- 平均MoCo重建运行时间大大减少:从01:37:26 (传统) 到00:10:59 (患者特定的DL) 和00:01:05 (人口DL).
结论:
- 基于DL的注册方法显著提高了为4D-CBCT生成运动模型的效率.
- 这些DL方法不会影响最终的MoCo重建的性能或图像质量.
- 基于DL的注册为4D-CBCT放射治疗中的快速,准确的运动建模提供了可行的解决方案.
