超稀疏视图圆束CT重建基于严格结构的保存深度神经网络在图像导向辐射治疗中的图像导向辐射治疗

科学领域:

• 医学物理 医学物理
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 放射治疗是一种主要的癌症治疗方法,通常使用千伏电压圆束CT (CBCT) 进行图像导向放射治疗 (IGRT).
• 重复的CBCT扫描会增加患者的辐射剂量,并降低治疗效率.
• 稀疏的CBCT扫描可以减少剂量,但会影响图像质量.

研究的目的:

• 开发一种深度学习模型,从超稀疏投影数据中重建高质量的CBCT图像.
• 为了减少辐射剂量并提高IGRT的临床效率.
• 在重建的CBCT图像中保持结构完整性和图像质量.

主要方法:

• 使用生成对抗网络 (GAN) 开发了一个基于CT的严格结构保存的神经网络 (PSSP-NET).
• 基于计划CT衰减信息的严格结构保存的模拟CBCT.
• 利用极低的采样率CBCT预测进行快速重建.

主要成果:

• PSSP-NET模型成功地从超稀疏的视图中重建了高质量的CBCT图像.
• 与现有方法相比,演示了增强的性能和改进的重建速度.
• 在头癌患者的临床评估证实了该模型的有效性.

结论:

• PSSP-NET模型为IGRT的剂量降低和效率提高提供了可行的解决方案.
• 深度学习,特别是GAN,可以有效地解决CBCT质量和数据采集之间的权衡问题.
• 拟议的方法显示了癌症放射治疗中临床实施的前景.