在质子疗法诊所的重建算法升级后,转移学习用于基于DL的合成CT
Arthur Galapon1, Dirk Wagenaar1, Johannes Albertus Langendijk1
1Department of Radiation Oncology, University Medical Center Groningen, University of Groningen, Groningen, The Netherlands.
Medical physics
|July 15, 2025
概括
转移学习有效地适应深度学习模型,在成像软件升级后用于合成CT生成,以确保使用最小数据的工作流程连续性. 这种方法减少了停机时间,并保持了适应性质子子疗法的图像质量.
科学领域:
- 医疗成像医学成像
- 放射治疗 物理 物理
- 人工智能在医学中的应用
背景情况:
- 深度学习 (DL) 模型产生合成CT (sCT) 图像用于自适应性质子疗法.
- DL模型容易受到CBCT软件升级的数据漂移的影响,影响图像质量.
研究的目的:
- 评估转移学习,以适应sCT模型的新CBCT图像质量.
- 评估CBCT软件升级后的sCT工作流程的可持续性.
主要方法:
- 在69名头癌患者中使用转移学习重新训练DCNN和cycleGANsCT模型.
- 训练有素的转移学习模型 (TL模型) 具有5-40个图像对;与完整的升级后模型进行基准测试.
- 使用临床计划和NTCP模型评估sCT图像质量和剂量计准确性.
主要成果:
- 转移学习模型显示了与完整的升级后模型相比较的平均绝对误差 (MAE).
- 剂量计准确度仍然很高,平均剂量差异很小 (-0.98%至3.15%).
- 正常组织并发症概率 (NTCP) 的偏差是可以忽略不计的 (-0.03%至0.0027%).
结论:
- 转移学习策略有效地最大限度地减少了依赖sCT的工作流程中的中断.
- 转移学习的小数据需求减少了停机时间和数据采集需求.
更多相关视频
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
2.9K
11:09High-Resolution Cardiac Positron Emission Tomography/Computed Tomography for Small Animals
Published on: December 16, 2022
3.9K
