功能向的深度学习框架用于肺瘤圆束CT (CBCT) 增强,具有多任务定制感知损失和功能引导的CycleGAN
Jiarui Zhu1, Hongfei Sun2, Weixing Chen3
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, 999077, Hong Kong SAR.
概括
这项研究引入了一个新的深度学习框架,以改善低质量的肺癌放射治疗图像. 该方法增强了圆束计算机断层扫描 (CBCT) 扫描,保留了关键的解剖学和瘤细节,以便更好地进行治疗分析.
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:
- 胸部圆束计算断层扫描 (CBCT) 对于肺癌的图像导向放射治疗 (IGRT) 是至关重要的,但它受到人工制造物和噪音的影响.
- 这些图像质量问题掩盖了关键的肺瘤和功能信息,限制了治疗的准确性.
- 现有的CBCT增强的深度学习方法难以保存瘤特征所必需的细微解剖细节.
研究的目的:
- 开发一种新的特征准深度学习框架,用于从CBCT生成超高质量的肺图像.
- 在增强的CBCT图像中改善关键解剖和瘤细节的保存.
- 为高质量的肺成像提供强大的解决方案,以支持肺癌治疗分析.
主要方法:
- 提出了一个以特征为导向的CycleGAN框架,包含一个多任务学习特征选择网络 (MTFS-Net).
- 开发了一种定制的特征对特征的感知损失函数 (CFP-loss),用于针对性的特征指导.
- 利用多机构数据集对合成CT (sCT) 图像进行全面评估.
主要成果:
- 拟议的框架产生了与CT扫描非常相似的sCT图像 (SSIM: 0.9747,PSNR: 38.5995).
- 实现了优异的瘤区域相似性 (皮尔曼系数:0.8929) 与有效的工件抑制和降噪.
- 功能成像测试显示与CT衍生的功能成像具有很高的相似性 (DSC: 0.9147,SCC: 0.9615,R: 0.9661).
结论:
- 针对特征的深度学习框架显著优于肺CBCT增强的最新模型.
- 生成的sCT图像保留了独特的解剖细节,并适用于支持肺癌治疗分析.
- 这种方法对改善肺癌放射治疗的诊断和治疗准确性具有很大的前景.
