使用深度学习神经网络生成骨抑制图像,用于无标记肺瘤跟踪
Jason Luce1,2, Mandeep Kaur1, Joseph Dingillo2
1Department of Radiation Oncology, Stritch School of Medicine, Cardinal Bernadin Cancer Center, Loyola University Chicago, Maywood, Illinois, USA.
Medical physics
|July 15, 2025
概括
由U-net神经网络生成的合成双能量减去 (sDES) 图像与用于无标记瘤跟踪 (MTT) 的传统双能量减去 (DES) 图像相当. 这种方法可以在没有额外的硬件的情况下改善肺瘤的可见性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射治疗 物理 物理
背景情况:
- 无标记瘤跟踪 (MTT) 对于肺瘤运动管理至关重要.
- 在X射线中,骨结构阻碍了瘤的可见性和跟踪.
- 双能量减去 (DES) 提高了可见性,但需要专门的设备.
研究的目的:
- 将合成DES图像 (sDES) 的图像质量和跟踪性能与传统的DES图像进行比较.
- 评估U-net神经网络,从标准X射线数据生成sDES图像.
主要方法:
- 使用在幻影和患者数据上训练的U-net生成sDES图像.
- 获得的高 (120 kV) 和低 (60 kV) 能量图像对.
- 使用SSIM,PSNR和2DCC评估图像相似性.
- 评估了sDES和DES图像上的瘤跟踪精度和成功率.
主要成果:
- sDES图像在组图分析,SSIM,PSNR和2DCC中与DES图像显示出良好的一致性.
- 在sDES图像上的瘤追踪显示,与患者的DES图像相比,患者的中位差异为0.3毫米.
- 幻影研究证实了对DES和sDES的统计学上相当的跟踪成功率 (93.5%) 和低缺失率 (0.22%).
结论:
- sDES图像是MTT的DES图像的一个可行的替代方案.
- 该U-net模型有效地生成适合实时瘤跟踪的sDES图像.
- 这种方法可以提高肺瘤的可见性和跟踪,而不需要额外的硬件或软件.
