基于深度学习的快速体积图像生成用于图像引导的质子放射治疗

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 图像引导放射治疗 (IGRT) 精度对于有效的癌症治疗至关重要.
• 需要快速成像技术来改善IGRT,特别是对于需要关门的肺癌患者.
• 在不影响瘤控制的情况下,FLASH放射疗法为危险器官节省提供了潜在的好处.

研究的目的:

• 开发和验证基于深度学习 (DL) 的框架,用于快速体积图像重建.
• 为了为接受图像导向放射治疗的肺癌患者提供准确的目标定位.
• 在质子FLASH治疗的背景下评估框架的性能.

主要方法:

• 开发了一个由四个模块组成的框架:kV x射线投影采集,基于DL的体积图像生成,图像质量分析和质子水等效厚度 (WET) 评估.
• 从四个不同的源角度使用kV投影对重建体积图像.
• 用4DCT扫描的30个肺癌患者数据集用于评估.

主要成果:

• 对体积图像重建的最佳kV投射源角度被确定为135°和225°.
• 该框架实现了患者平均性能指标,包括平均绝对误差为75±22 HU,峰值信号噪声比为19±3.7 dB,结构相似性指数量为0.938±0.044和WET误差为-1.3%±4.1%.
• 开发的框架展示了快速体积图像传递能力.

结论:

• 提出的基于DL的框架可以快速重建体积图像,以便在肺癌患者中精确定位目标.
• 这项技术有可能引导质子FLASH治疗输送系统,提高治疗精度和安全性.
• 确定了最佳的kV投射角度,有助于提高先进放射治疗应用的图像质量.