基于深度学习的超级分辨率用于放射治疗中CBCT剂量减少
Adrian Thummerer1, Lukas Schmidt1, Jan Hofmaier1
1Department of Radiation Oncology, LMU University Hospital, LMU Munich, Munich, Germany.
Medical physics
|December 3, 2024
概括
深度学习超分辨率提高了放射治疗的低剂量形束计算断层扫描 (CBCT) 图像质量. 与投影域处理相比,图像域处理产生了更好的结果,使得更安全,更低辐射的扫描成为可能.
科学领域:
- 医疗成像医学成像
- 放射治疗 物理 物理
- 人工智能的人工智能
背景情况:
- 圆束计算机断层扫描 (CBCT) 在放射治疗中至关重要,但由于电离辐射,尤其是在儿科患者中,它构成二次癌症风险.
- 深度学习超分辨率 (SR) 已经提高了图像分辨率,但尚未应用于降低CBCT辐射剂量.
研究的目的:
- 通过使用增强的超分辨率生成对抗网络 (ESRGAN) 来降低CBCT成像剂量.
- 在低剂量CBCT中使用ESRGAN在投影和图像领域恢复图像质量.
主要方法:
- 在2997个头癌CBCT扫描中训练了两个ESRGAN模型:一个在投影域 (CBCTSRpro) 和一个在图像域 (CBCTSRimg).
- 对图像相似性,噪音,空间分辨率和注册准确性进行评估的SR CBCT与原始高剂量CBCT (CBCTHR) 相比.
- 进行视觉图灵测试,以评估原始和SR CBCT之间的感知差异.
主要成果:
- 投影和图像域SR都改善了低剂量CBCT的质量;视觉图灵测试显示了最小的感知差异.
- 在视觉图灵测试中,CBCTSRimg略高于CBCTSRpro.
- 与低剂量CBCT (CBCTLR: 0.66 lp/mm) 相比,SR方法显著提高了空间分辨率 (CBCTSRpro: 0.88 lp/mm,CBCTSRimg: 0.95 lp/mm),接近高剂量水平 (CBCTHR: 1.01 lp/mm).
- 对SR CBCT的噪声特征和注册准确性与高剂量CBCT相似.
结论:
- 深度学习超分辨率是减少放射治疗中CBCT剂量的可行方法.
- 图像域SR处理产生比低剂量CBCT的投影域处理更高质量的图像.
- 这种方法可以获得低剂量的CBCT,同时保持诊断图像质量,这对患者安全至关重要.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
09:10Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
1.7K
