从CBCT对腹部自适应性放射治疗的基于AI的合成CT生成模型不确定性的评估
Paulo Quintero1, Laura Cerviño1, Hao Zhang1
1Medical Physics Department, Memorial Sloan Kettering Cancer Center, New York, USA.
Medical physics
|February 27, 2025
概括
这项研究表明,虽然人工智能生成的合成CT (sCT) 图像可以改善适应性放射治疗,但模型不确定性会影响剂量计算. 在sCT中可视化这些不确定性对于精确的腹部放射治疗至关重要.
科学领域:
- 医疗成像医学成像
- 在放射治疗中使用人工智能
- 放射治疗 物理 物理
背景情况:
- 从CBCT中生成人工智能驱动的合成CT (sCT) 有助于放射治疗适应性工作流.
- 腹部sCT合成面临的挑战是由于器官运动,低软组织对比度和空气体积不一致.
- 在sCT中未考虑的模型不确定性可能导致不准确的剂量计算.
研究的目的:
- 评估模型不确定性对预测的霍恩斯菲尔德单位 (HU) 和腹部sCT剂量计算的影响.
- 评估不同的AI模型在产生准确的sCT用于腹部放射治疗的性能.
主要方法:
- 对65名腹部患者的CBCT进行了回顾性分析,以产生sCT.
- 刚性图像注册 (RIR) 和可变形图像注册 (DIR) 数据集 (D1,D2) 的比较,用于训练Unet,贝叶斯-Unet和循环-GAN模型.
- 使用MAE,RMSE,SSIM和剂量计算指标 (玛指数,PTV D95%,肝脏Dmean) 评估模型性能.
- 使用标准偏差和蒙特卡洛DropConnect生成以素为准的不确定性图.
主要成果:
- 可变形图像注册 (DIR) 在所有测试的AI模型 (Unet,贝叶斯-Unet,循环-GAN) 中改善了模型性能.
- 与RIR (0.89,96.3%) 相比,DIR (0.94,97.3%) 观察到更高的SSIM和马率.
- 在整体sCT不确定性图和剂量计算准确性之间发现了统计学上显著的相关性 (斯皮尔曼系数 = 0.84).
结论:
- 可变形图像注册 (DIR) 提高了用于腹部放射治疗的基于AI的合成CT生成的准确性.
- 标准图像质量指标可能无法完全捕捉模型不确定性对剂量计算的影响.
- 在AI生成的sCT中可视化不确定性是改善适应性放射治疗的建议,特别是对于腹部病例.
