基于深度学习的风险器官细分,在放射治疗中的形束计算机断层扫描图像上的注册和剂量测量:全面的审查

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:

• 圆束计算断层扫描 (CBCT) 对于图像引导放射治疗 (IGRT) 是至关重要的.
• 目前的CBCT应用在风险器官 (OAR) 细分,图像注册和准确剂量测量方面存在局限性.
• 深度学习 (DL) 为这些挑战提供了潜在的解决方案.

研究的目的:

• 审查DL方法的最新进展,以改善放射治疗中的CBCT.
• 探索生成对抗网络 (GAN) 和深度卷积神经网络 (DCNN) 在CBCT中的应用.
• 突出DL对OAR细分,图像质量和剂量预测的影响.

主要方法:

• 对利用GANs用于合成CT图像生成以增强OAR细分和剂量计算的研究进行审查.
• 分析DCNN应用程序以减少工件,改善图像质量和精确预测剂量分布.
• 将DL模型与适应性放射治疗和个性化治疗方案的传统CBCT集成.

主要成果:

• GAN提高了合成CT图像的真实性,从而导致更准确的OAR细分和剂量计算.
• DCNN有效地减轻了人工物并提高了CBCT图像质量,使得精确的剂量预测.
• DL集成可促进实时适应解剖变化,并优化患者特定的放射治疗.

结论:

• 深度学习,特别是GAN和DCNN,在放射治疗应用中显著增强了CBCT.
• 这些人工智能技术提高了OAR划分,注册准确性和剂量计精度.
• 整合DL预示着精确放射治疗的新时代,改善了治疗结果.