使用深度学习预测合成计算机断层扫描进行晶格辐射治疗的无模拟工作流:可行性研究
Libing Zhu1, Nathan Y Yu1, Safia K Ahmed1
1Department of Radiation Oncology, Mayo Clinic, Phoenix, Arizona, USA.
Journal of applied clinical medical physics
|June 12, 2025
概括
这项研究开发了一种深度学习工作流程,用于使用合成CT (sCT) 图像进行更快的晶格辐射疗法 (LRT) 规划. 无模拟方法显示高精度,加速治疗需要紧急息护理的患者.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 格子辐射疗法 (LRT) 是针对大型瘤的息治疗方法,通常需要复杂的计划.
- 对于接受LRT的符合条件的患者来说,加快治疗启动至关重要.
研究的目的:
- 开发基于体积调制弧线疗法 (VMAT) 的LRT规划的无模拟工作流.
- 利用深度学习预测的合成CT (sCT) 加快治疗开始.
主要方法:
- 训练了两个3D U-Net深度学习模型,从胸部和腹部区域的诊断CT (dCT) 中生成sCT.
- 在使用图像相似度指标 (MAE,SSIM) 的独立数据集上验证模型.
- 生成了VMAT-LRT关于sCT的计划和计划CT (pCT) 的计划,用于使用DVH指标进行剂量测量比较.
主要成果:
- 该sCT预测模型实现了与pCT的高图像相似性 (MAE:38.93±14.79 HU,SSIM:0.92±0.05胸部;MAE:73.60±22.90 HU,SSIM:0.90±0.03腹部).
- 除Dmin和D10%外,sCT和pCT计划之间没有对风险器官和目标体积的DVH参数的统计学上显著差异.
结论:
- 深度学习预测的sCT显示出与pCT具有很高的图像相似性和足够的剂量一致性.
- 这项研究作为一个无模拟VMAT-LRT规划工作流程的概念验证,使用DL预测的sCT.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
