具有集成细分框架的生成性证据合成,用于仅MR的放射治疗治疗计划
Lina Mekki1, Matthew Ladra2, Sahaja Acharya2
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, Maryland, USA.
Medical physics
|April 12, 2025
概括
这项研究引入了一种新的深度学习方法,用于仅MR的放射治疗 (RT) 规划,使得MRI和器官细分的CT合成速度快且可靠. 该方法通过提供准确的合成CT和估计其可靠性来简化RT规划.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 放射治疗 (RT) 规划传统上依赖于CT扫描以获取电子密度信息,但MRI为轮提供优越的软组织对比度.
- 在MRI和CT之间进行图像注册引入了不确定性,导致RT规划中的轮错误和剂量不准确.
- 只有MR的RT规划旨在通过从MRI合成CT来消除CT扫描和注册,但缺乏评估合成CT可靠性的方法.
研究的目的:
- 开发一种快速可靠的方法,用于从MRI,不确定性估计和风险器官 (OAR) 分段的同时CT合成.
- 通过提供可靠的合成CT,而不需要实地真相比较,使仅MR的RT规划成为可能.
主要方法:
- 在多任务视觉转换器框架内应用深度证据回归,用于仅MR的大脑RT规划.
- 使用嵌套编码器与单独的卷积解码器用于CT合成和OAR细分,并包含一个证据层用于不确定性估计.
- 在119个配对T1加权MRI和CT扫描与OAR轮上训练并验证了框架.
主要成果:
- 在CT合成 (SSIM: 0.820 ± 0.039,MAE: 47.4 ± 8.49 HU,PSNR: 23.4 ± 1.13) 和OAR细分 (例如,大脑干的子: 0.953 ± 0.024) 中取得了高性能.
- 在快速的6.71±0.25秒内完成了整个过程,包括合成和细分.
- 有证据的不确定性估计有效地确定了不确定性的区域,与基于蒙特卡洛的方法相关联,证实了该方法的可靠性.
结论:
- 开发了一种用于联合CT合成,不确定性预测和OAR细分在单个推理中的新框架,利用深度证据回归.
- 拟议的方法通过提供可靠的合成CT而没有地面真相,显著简化了仅MR的RT规划.
- 这种方法有可能提高辐射治疗规划的效率和准确性.
