在放射治疗期间通过深度学习在人类切伦科夫成像中强大的生物形态特征实时细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 辐射瘤学 辐射瘤学

背景情况:

• 切伦科夫成像可视化了实时的辐射疗法束传递.
• 患者特定的生物形态特征 (例如血管结构) 对于精确的定位和运动管理至关重要.
• 传统的图像处理由于速度慢和准确性问题限制了这些功能的使用.

研究的目的:

• 开发第一个深度学习框架,用于切伦科夫图像中的实时生物形态特征细分.
• 为了实现用于切伦科夫成像分析的视频率处理速度.
• 在放射治疗中实现增强的患者定位验证和运动管理.

主要方法:

• 通过使用预训练的ResNet模型,在用于船舶注释的大型 fundus摄影数据集上使用转移学习策略.
• 该模型在较小的切伦科夫成像数据集上进行了微调,该数据集来自带有注释的血管罩的乳腺癌患者.
• 该框架使用了基于ResNet的细分方法,利用转移学习来克服有限的注释的切伦科夫数据.

主要成果:

• 深度学习框架实现了切伦科夫成像生物形态特征的快速细分,包括静脉,痕和有色素的皮肤.
• 该模型显示,对细分精度的高平均子得分为0.85.
• 每个实例的处理时间非常短,不到0.7ms,可实现实时应用.

结论:

• 开发的深度学习模型提供了切伦科夫图像的一致和高速细分,优于传统方法.
• 该框架为在线细分和放射治疗期间实时监控提供了基础.
• 该研究强调了人工智能的潜力,通过先进的图像分析来提高辐射治疗的精度和安全性.