针对患者的深度学习跟踪,用于实时2D胰腺定位在kV引导放射治疗中

科学领域:

• 放射治疗和瘤学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 精确的运动管理对于胰腺立体体辐射疗法 (SBRT) 至关重要,以确保安全的高剂量输送.
• 使用磁共振成像指导用于封闭的SBRT的内断层跟踪提供了增强本地控制的潜力.
• 在千伏内部成像过程中可视化胰腺和周围器官是具有挑战性的,并且通常需要植入信托.

研究的目的:

• 为了研究患者特异的深度学习方法来跟踪瘤总体积 (GTV),胰腺头部和整个胰腺在内分数kV图像中.
• 评估深度学习在胰腺SBRT中实时运动管理的可行性.
• 为了提高放射治疗期间瘤划界的准确性和效率.

主要方法:

• 条件生成对抗网络在接受胰腺SBRT的25名患者的数据上进行了训练和测试.
• 通过使用形光束CT衍生图像 (CBCT-DRRs) 或计划CT衍生图像 (CT-DRRs) 微调人口模型,创建了针对患者的模型.
• 模型预测与使用子相似系数 (DSC),心点误差 (CE) 和豪斯多夫距离 (AHD,HD95) 的预测轮进行了评估.

主要成果:

• 患者特定的CBCT模型实现了0.86 ± 0.09的平均DSC,超过CT模型 (0.78 ± 0.12).
• 在≥90.3%的病例中,CBCT模型预测AHD和CE的轮在2.0毫米以内,HD95在≥90.0%的病例中在5.0毫米以内.
• 对CBCT模型的预测时间很快,平均每轮29.2±3.7毫秒,表明实时潜力.

结论:

• 与胰腺瘤跟踪CT模型相比,患者特定的CBCT模型表现出更高的性能.
• 这些模型实现了高精度,90百分位误差≤2.0毫米,这表明胰腺SBRT临床实时应用的巨大潜力.
• 开发的深度学习方法为胰腺癌放射治疗中的运动管理提供了一个有希望的非侵入性方法.