基于深度学习的双能量减去合成从单能kVX射线光镜用于无标记瘤跟踪

科学领域:

• 医学成像
• 医学的人工智能
• 辐射瘤学

背景情况:

• 在肺癌放射治疗中,无标记性瘤追踪对于精确的剂量传递至关重要,但由于肋骨等重叠结构,瘤的可见性很差.
• 双能 (DE) 射线光学可以通过抑制骨物质来提高可见性和跟踪精度,但需要专门的硬件,限制其临床应用.
• 提高瘤可见度的现有方法通常依赖于硬件密集型解决方案或缺乏足够的准确性.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于从标准单能 (SE) 光镜中合成双能减法 (DES) 图像.
• 通过提高目标可见度,提高无标记性瘤追踪在放射治疗期间移动的肺瘤的准确性.
• 为改善肺瘤定位提供与传统DE成像无关的替代方案.

主要方法:

• 使用从数字幻影生成的模拟DES数据集开发和训练了剩余的U-Net深度学习模型.
• 该模型旨在从SE光镜图像中合成DES图像,有效地模仿真正的DE成像的骨抑制能力.
• 使用数字幻影进行了合成质量的定量评估,随后对10名肺癌患者的SE光镜图像进行了临床验证.

主要成果:

• 深度学习模型成功合成了来自SE光学的DES图像,在数字幻影实验中显示出良好的合成质量.
• 临床评估显示,使用合成的DES图像提高了无标记瘤追踪的准确性,将平均误差从1. 80mm降低到1. 68mm.
• 在25%的运动范围内,追踪成功率从SE成像的50.2%增加到合成DES成像的54.9%.

结论:

• 基于深度学习的SE光学DES图像合成是一种可行的方法,用于提高无标记性瘤跟踪在肺癌放射治疗.
• 这种方法提供了一个潜在的解决方案来克服与传统的DE成像相关的硬件限制,使得改善的瘤跟踪更容易获得.
• 这些研究结果表明,有望为移动的肺瘤提供更准确,更可靠的辐射.