从表面运动中基于深度学习的呼吸诱导变形的估计:关于4D胸部图像合成的概念验证研究
Jie Zhang1, Xue Bai1, Guoping Shan1
1Department of Radiation Physics, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, China.
Medical physics
|April 5, 2025
概括
一个新的级联组合模型 (CEM) 准确地估计了用于放射治疗的表面运动的胸部组织变形. 这种深度学习方法在没有患者特定数据的情况下合成4D-CT图像,从而改善治疗计划.
科学领域:
- 医疗成像医学成像
- 放射治疗 物理 物理
- 计算生物学 计算生物学
背景情况:
- 四维计算机断层扫描 (4D-CT) 对胸部放射治疗至关重要,但呼吸模式挑战其质量并增加辐射暴露.
- 使用估计的组织变形合成4D-CT图像为改善图像质量和减少辐射剂量提供了潜在的解决方案.
- 精确估计呼吸诱导的胸部组织变形对于有效的4D-CT合成至关重要.
研究的目的:
- 提出一种非患者特异的级联组合模型 (CEM) 来估计从表面运动的胸部组织变形.
- 开发一种基于深度学习的方法来合成4D-CT图像.
- 提供一种不需要患者特定的呼吸数据或额外的治疗前培训的解决方案.
主要方法:
- CEM使用三种级联深度学习模型从表面运动输出变形向量场 (DVF).
- 使用从4D-CT数据中获得的身体轮来模拟表面运动.
- 该模型在私人数据库 (62个4D-CT集) 上进行了训练,并在公共数据库 (80个4D-CT集) 上进行了测试.
主要成果:
- CEM合成的CT图像的平均根平均平方误差 (mRMSE) 为61.06 ± 10.43 HU,平均平均绝对误差 (mMAE) 为26.80 ± 5.65 HU.
- 合成的图像达到0.990±0.004.00的高平均结构相似度指数 (mSSIM).
- 在合成CT质量方面,CEM的表现优于其他已发表的方法.
结论:
- 从表面运动中,CEM有效地估计胸部组织变形 (DVF).
- 该模型的非患者特异性和缺乏治疗前培训要求,有助于广泛的临床应用.
- 在胸部放射治疗规划中,CEM显示了改善4D-CT合成的巨大潜力.
