基于深度学习的头和部瘤在放射治疗期间的实时检测

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:

• 在放射治疗 (RT) 期间实时头 (H&N) 瘤跟踪对于适应解剖变化和减少患者不适至关重要.
• 目前的方法通常依赖于固定化口罩,这可能会导致痛苦和适应问题.
• 开发先进的运动管理技术对于提高RT精度和患者体验至关重要.

研究的目的:

• 研究一种基于深度学习的方法,以千伏 (kV) 的X射线图像对H&N瘤进行细分.
• 为了实现RT期间的实时H&N瘤跟踪,可能取代传统的固定化面具.
• 评估这种方法对无标记瘤检测的准确性.

主要方法:

• 一项临床研究涉及17名接受常规RT的H&N癌症患者.
• 个性化条件生成对抗网络 (cGAN) 通过使用变形的规划CT和GTV数据进行训练.
• 测试涉及来自不同处理分量的kVX射线图像,基准真相来自可变形注册和GTV投影.

主要成果:

• 该cGAN方法在kVX射线图像中实现了精确的瘤细分.
• 中心错误范围从1.5 ± 0.9毫米 (鼻) 到3.5 ± 2.2毫米 (喉).
• 平均表面距离 (MSD) 从1.5±0.3毫米到2.3±1.0毫米不等,在口腔喉患者中具有显著的相关性.

结论:

• 在kV图像中基于深度学习的H&N瘤细分是可行的和准确的.
• 这种无标记瘤检测方法支持RT期间的实时跟踪.
• 这些发现表明,无口罩RT的潜力,提高治疗精度和患者的结果.