基于深度学习的虚拟非对比CT的生成,使用双层双能量CT,并将其应用于用于放射治疗的CT规划

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 与对比度增强的计划CT (CE-pCT) 对于放射治疗至关重要,但非对比度扫描通常更适合剂量计算.
• 生成真正的非对比CT (TNC-pCT) 图像需要额外的扫描,增加患者的负担和成本.
• 以前的深度学习方法面临的局限性是由于CE-pCT和TNC-pCT数据配对不足.

研究的目的:

• 开发和验证一个深度学习模型 (VNC-Net) 来从CE-pCT扫描中生成虚拟非对比规划CT (VNC-pCT) 图像.
• 评估VNC-pCT图像在放射治疗规划中的准确性和临床相关性.
• 通过使用双能CT (DECT) 衍生虚拟非对比CT (VNC CT) 图像用于训练来克服数据限制.

主要方法:

• 在DECT图像上训练了一个深度学习模型VNC-Net,从CE-pCT扫描中生成VNC CT图像.
• 为了模型应用,CE-pCT图像被确定性地转换为伪DECT图像.
• 该模型对45名患者进行了评估,并使用肝癌和乳腺癌患者的CE-pCT进行进一步验证,将生成的VNC-pCT与TNC-pCT进行比较,并执行剂量计算.

主要成果:

• VNC-Net表现出高量的性能,并准确地复制了目标VNC CT图像,并与CT号码密切匹配.
• 与TNC-pCT相比,生成的VNC-pCT图像显示出定量准确性.
• 在肝癌和乳腺癌患者体积调制弧疗法 (VMAT) 的VNC-pCT图像上的剂量计算证实了该方法的临床相关性.
• 该模型显示,在骨和软组织中,对比剂影响较小的CT数量保持的局限性.

结论:

• 深度学习,特别是VNC-Net,为从CE-pCT扫描中生成VNC-pCT图像提供了一个有希望的方法.
• 这种方法有可能改善成像协议和放射治疗规划的准确性.
• 需要进一步的研究,以解决特定组织的CT数值准确性的局限性,以提高临床适用性.