评估基于深度学习的合成CT模型的剂量测量和定位精度,用于肝脏放射治疗治疗计划
Lamyaa Aljaafari1,2,3, Richard Speight2, David L Buckley1
1Leeds Institute of Cardiovascular & Metabolic Medicine (LICAMM), University of Leeds, Woodhouse, Leeds, LS2 9JT, United Kingdom.
Biomedical physics & engineering express
|April 2, 2025
概括
深度学习生成的合成CT (sCT) 图像显示精确的剂量测量和肝脏放射治疗的患者定位,支持仅MRI的工作流. 这验证了用于肝癌治疗的sCT,使精确的剂量计算和定位验证成为可能.
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:
- 只有MRI的工作流需要合成计算机断层扫描 (sCT) 来准确计算放射治疗剂量.
- 评估用于肝脏放射治疗的深度学习生成的sCT对于临床采用至关重要.
- 目前的方法需要CT扫描,这对仅使用MRI的方法构成了挑战.
研究的目的:
- 评估用于肝脏放射治疗的深度学习生成的sCT的剂量测量准确性.
- 为了评估患者的定位准确性,使用sCT作为肝癌治疗的参考.
- 为了验证MRI仅用于肝脏放射治疗的工作流程的可行性.
主要方法:
- 合成CT (sCT) 图像是使用CycleGAN算法为11名肝癌患者生成的.
- 临床体积调制弧线疗法 (VMAT) 计划在CT上计算,在sCT上重新计算,用剂量体积组图 (DVH) 分析剂量差异.
- sCT图像被验证为用于4D圆束CT (4D CBCT) 的参考图像,以评估患者定位的准确性.
主要成果:
- 在CT和sCT计划之间,规划目标体积 (PTV) 和风险器官 (OAR) 的平均剂量差异分别为0.0%和<0.5%.
- 患者定位验证的系统翻译和旋转差异始终在0.5mm和0.5°以下.
- 生成的sCTs在临床上可接受的范围内显示出剂量计准确性.
结论:
- 这项研究首次验证了用于肝癌放射治疗的合成CT模型,证实了其在剂量测量和患者定位方面的准确性.
- 经过验证的CycleGAN模型支持用于肝癌治疗的MRI-only工作流的可行性.
- 这些发现表明,深度学习生成的sCT可以作为一种可靠的参考,用于仅在MRI设置中的治疗验证.
