MBST驱动的4D-CBCT重建:利用swin变压器和掩盖来实现强大的性能
Nannan Cao1, Qilin Li2, Kangkang Sun1
1Department of Radiotherapy, The Affiliated Changzhou NO.2 People's Hospital of Nanjing Medical University, Changzhou, 213003, PR China; Jiangsu Province Engineering Research Center of Medical Physics, Changzhou, 213003, PR China; Center for Medical Physics, Nanjing Medical University, Changzhou, 213003, PR China; Key Laboratory of Medical Physics in Changzhou, Changzhou, 213003, PR China.
Computer methods and programs in biomedicine
|February 12, 2025
概括
一个新的基于Mask的Swin变压器网络 (MBST) 显著提高了4D圆束计算机断层扫描 (4D-CBCT) 图像质量. 这种深度学习方法提高了重建的准确性和细节性,即使使用有限的扫描数据,也提供了更好的诊断能力.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 放射疗法是一种放射治疗.
背景情况:
- 4D圆束计算断层扫描 (4D-CBCT) 对于图像导向放射治疗至关重要,但其图像质量通常受到运动工件和稀疏数据采集的限制.
- 改善4D-CBCT重建质量对于精确的瘤向和放射治疗期间的剂量输送至关重要,特别是在受呼吸运动影响的胸部瘤中.
研究的目的:
- 开发和评估一个创新的基于Mask的Swin变压器网络 (MBST) 以提高4D-CBCT重建质量.
- 评估MBST在广泛的扫描条件中的性能,包括有限的投影数据和高扫描速度.
主要方法:
- 一个深度学习模型,MBST,使用20名胸部瘤患者的4D-CBCT数据进行训练,模拟的4D-CBCT来自4D-CT数据.
- 该网络在有限的扫描条件下重建的数据上进行了训练,并在各种投影间隔 (1°至24°) 和1/3全角上进行了测试.
- 使用SSIM,PSNR,ME和MAE进行了定量评估;对模拟和真实临床数据进行了定性评估和与其他深度学习方法的比较.
主要成果:
- MBST显著提高了4D-CBCT图像质量,在4度间隔下SSIM增加了42.3%,PSNR增加了10.8dB,ME和MAE接近零.
- 与其他深度学习方法相比,该网络表现优越,在不同的投影间隔中实现了更高的SSIM和PSNR,以及更低的MAE.
- 与4D-CT注册相比,MBST成功重建了骨组织,肺结构和气管壁,并显著改善了临床4D-CBCT质量指标 (SSIM,PSNR,ME,MAE).
结论:
- 基于Mask的Swin变压器网络 (MBST) 在各种扫描条件下有效地重建高质量的4D-CBCT图像,包括有限的数据采集.
- 在临床患者数据集上,MBST表现出卓越的概括能力,并取得令人满意的CT值和图像质量.
- MBST作为一个高度通用的重建网络,为改善临床实践中的4D-CBCT图像质量提供了显著的进步.
