临床可行性评估:使用kV iCBCT和基于UNet++的深度学习模型进行肺癌线下自适应性放射治疗

科学领域:

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

背景情况:

• 肺癌仍然是一个重大的全球健康问题.
• 适应性放射治疗 (ART) 对于管理肺瘤动态和不确定性至关重要.
• 需要对肺癌进行验证,临床上可行的离线ART治疗方案.

研究的目的:

• 调查和验证肺癌的全面离线ART治疗方案.
• 评估拟议的ART方法的临床可行性和有效性.
• 利用深度学习来提高ART中的图像质量.

主要方法:

• 102名肺癌患者接受了kV代圆束CT (iCBCT) 扫描.
• 训练了一个UNet++深度学习模型,将iCBCT转换为自适应CT (aCT).
• 进行了剂量测量评估 (GTV,OARs,MU) 和输送准确性 (ArcCHECK,TLD).

主要成果:

• 通过UNet++模型显著提高了图像质量 (MAE -70.05%,PSNR +17.97%,SSIM +7.41%).
• 对于GTV,OAR或MU,aCT和计划CT (pCT) 计划之间没有发现显著的剂量测量差异.
• 马测试通过率超过98%,TLD测量显示高精度 (2-7%的偏差).

结论:

• 使用kV iCBCT和UNet++深度学习模型的离线ART治疗方案在肺癌中临床可行.
• 这种方法提高了图像质量,并提供了与pCT相似的治疗计划.
• 这种方法确保了精确的剂量输送,支持有效的肺癌治疗.