用CBCT衍生合成CT进行鼻癌适应性放射治疗:基于深度学习的自分区精度和剂量计算一致性

科学领域:

• 放射治疗
• 医学成像
• 人工智能

背景情况:

• 适应性放射治疗 (ART) 需要精确的细分和剂量计算.
• 由束CT (CBCT) 生成的合成CT (sCT) 图像为改善ART工作流提供了潜在的解决方案.

研究的目的:

• 使用NPC ART中的sCT图像评估深度学习 (DL) 自动细分和剂量计算的精度.
• 根据黄金标准规划CT (pCT) 数据评估基于DL的自动细分和剂量重新计算的准确性.

主要方法:

• 对接受ART的16名NPC患者进行了回顾性分析.
• 从CBCT扫描中生成合成CT图像,使用循环一致的生成对抗网络 (循环GAN).
• 在sCT图像上进行了自动细分和GPU加速的蒙特卡洛剂量重新计算,使用Dice相似系数 (DSC) 和Hausdorff距离 (HD95) 评估准确性.

主要成果:

• 在pCT和sCT之间观察到大多数结构的高度一致性 (DSC>0.85,HD95<5.10 mm).
• 对于主要的瘤总体积 (GTVp),参与的淋巴结 (GTVn) 和下下腺,发现了较低的一致性.
• 在解剖学变异,sCT衍生剂量差异和适应计划调整之间发现了显著的相关性.

结论:

• 拟议的基于DL的sCT生成,自细分和剂量计算方法显示了NPCART可接受的准确性.
• 通过减少手工细分工作,轻微的体积和剂量变化表明ART的效率可能会提高.