关闭放射治疗中图像到图像转换的循环:一个质量控制工具来预测合成计算机断层扫描Hounsfield单位的准确性
Paolo Zaffino1,2, Ciro Benito Raggio3, Adrian Thummerer2,4
1Department of Experimental and Clinical Medicine, Magna Graecia University, viale Europa, 88100 Catanzaro, Italy.
Journal of imaging
|December 27, 2024
概括
一个新的深度学习框架准确地预测了合成CT图像质量,而没有地面真相,确保可靠的放射治疗模拟. 这种方法提供了切片对切片的精度图,有助于在治疗头癌的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射治疗 物理 物理
背景情况:
- 合成计算机断层扫描 (CT) 图像来自磁共振 (MR) 或形光束CT (CBCT) 的图像与放射治疗模拟的真实CT相似.
- 在没有基本事实的情况下评估合成CT质量一直是一个重大挑战.
研究的目的:
- 开发一个深度学习 (DL) 框架来预测合成CT准确性 (平均绝对误差 - MAE) 没有基本真相.
- 为临床医生提供一个体积图,显示每个切片的预测MAE.
主要方法:
- 一个级联的多模型深度学习架构被用于MAE预测.
- 该框架在使用MR和CBCT成像方法的患者队列上进行了培训和验证.
- 算法输出了一个预测MAE的切片逐切片体积图.
主要成果:
- DL框架实现了准确的霍恩斯菲尔德单位 (HU) 预测,中位数绝对偏差为基于CBCT的4 HU和基于MR的合成CT的6 HU.
- 预测的差异被发现在临床上对决策无关紧要.
- 工作流程表明,在MAE预测中没有系统错误.
结论:
- 这项工作为在临床实践中评估合成CT质量提供了可行的概念验证.
- 开发的框架允许对合成CT图像进行患者特定的质量评估.
- 这种方法促进了合成CT在放射治疗模拟和规划中的可靠使用.
更多相关视频
06:33Construction of a Preclinical Multimodality Phantom Using Tissue-mimicking Materials for Quality Assurance in Tumor Size Measurement
Published on: July 29, 2013
11.2K
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
