通过使用基于深度学习的LM-MAP-EM重建先验,提高了基于快速中子的质子疗法范围验证中的图像质量
Lena M Setterdahl1, Kyrre Skjerdal1, Hunter N Ratliff1
1Department of Computer Science, Electrical Engineering and Mathematical Sciences, Western Norway University of Applied Sciences, Bergen, Norway.
Physics in medicine and biology
|June 5, 2025
概括
本研究探讨使用深度学习与列表模式后期最大化 (LM-MAP) 期望最大化 (EM) 进行质子疗法范围验证. 结合一个神经网络之前改进了重建的准确性,虽然噪音影响性能.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 计算成像技术的成像
背景情况:
- 质子疗法提供精确的剂量递送,但需要精确的范围验证.
- 快速中子 (FN) 检测是实时范围验证的一个有希望的方法.
- 图像重建的挑战,包括噪音和探测器效应,冲击精度.
研究的目的:
- 调查列表模式最大后期 (LM-MAP) 期望最大化 (EM) 与基于深度学习的先验对基于 FN 的质子疗法范围验证的有效性.
- 评估条件生成对抗网络 (pix2pix) 在预测 FN 生产分布方面的性能.
- 在不同噪音和探测器分辨率条件下比较不同的LM-MAP-EM重建策略.
主要方法:
- 一个有条件的生成对抗网络 (pix2pix) 接受了训练,以从反向投影图像中估计FN生产分布.
- 蒙特卡洛模拟在肺癌患者模型中生成了85 MeV质子束的FN数据,模拟了范围转移.
- 实施了LM-MAP-EM算法,结合了pix2pix预测的前期平均值,并与LM-MLEM和传统LM-MAP-EM进行了比较.
主要成果:
- 由于引入了探测器分辨率效果和噪音,pix2pix网络的性能下降.
- 与LM-MLEM相比,LM-MAP-EM结合平均先前估计显著改善了重建性能.
- 具有预先平均估计的LM-MAP-EM在SSIM中表现优于具有二进制能量函数的传统LM-MAP-EM.
结论:
- 基于深度学习的先前信息可以增强对质子疗法范围验证的代图像重建.
- 深度学习模型的稳定性受到数据质量的限制,特别是在高噪音场景中.
- 需要进一步的研究,以改善深度学习模型在质子疗法应用中的现实,噪音条件下的性能.
