基于深度学习方法的加速光谱MRI代谢物量化,用于脑瘤患者的放射治疗规划
Alexander S Giuffrida1,2, Karthik Ramesh1, Sulaiman Sheriff3
1Department of Radiation Oncology, Emory University School of Medicine, Atlanta, GA 30322, USA.
Cancers
|February 13, 2025
概括
一种新型神经网络模型NNFit通过显著提高处理速度而加速对脑瘤的代谢成像. 这一进步使患者能够更快,更准确地规划放射治疗.
科学领域:
- 神经成像是一种神经成像.
- 量化MRI是指数量化的MRI.
- 人工智能在医学中的应用
背景情况:
- 光谱核磁共振 (sMRI) 量化大脑瘤没有对比剂.
- 以前的研究表明,sMRI导向的放射治疗可以改善患者的生存率.
- 目前的光谱拟合方法 (FITT) 是计算密集的.
研究的目的:
- 将深度学习模型NNFit与用于sMRI光谱分析的FITT的性能进行比较.
- 评估NNFit在代谢物量化的准确性及其对辐射治疗计划的影响.
主要方法:
- 自主监督的深度学习模型NNFit在sMRI数据上进行了训练,以估计胆 (Cho),肌酸 (Cr) 和NAA水平.
- 该模型在30名GBM患者 (56次扫描) 上进行了训练,并在17名GBM患者 (29次扫描) 上进行了测试.
- 性能与FITT相比,使用结构相似性指数 (SSIM) 和Dice系数进行了评估.
主要成果:
- 与FITT相比,NFit表现出明显更快的处理速度.
- 代谢物量化显示NNFit和FITT之间存在很强的一致性.
- 来自NNFit的辐射目标体积在视觉上是可比的,并且具有更少的工件.
结论:
- NNFit为代谢成像提供了一种快速,准确和减少工件的方法.
- 该模型显示了在临床环境中加速放射治疗计划的巨大潜力.
更多相关视频
10:48PET and MRI Guided Irradiation of a Glioblastoma Rat Model Using a Micro-irradiator
Published on: December 28, 2017
9.5K
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
