在四维计算机断层扫描成像中的剂量减少:呼吸信号引导的深度学习驱动的数据采集
Lukas Wimmert1, Tobias Gauer2, Jannis Dickmann3
1Institute for Applied Medical Informatics, University Medical Center Hamburg-Eppendorf, Hamburg, Germany; Institute of Computational Neuroscience, University Medical Center Hamburg-Eppendorf, Hamburg, Germany; Center for Biomedical Artificial Intelligence (bAIome), University Medical Center Hamburg-Eppendorf, Hamburg, Germany.
这项研究引入了一种深度学习 (DL) 方法,用于减少四维计算机断层扫描 (4D CT) 中的辐射剂量,用于胸部癌症治疗. DL方法优化了数据采集,显著降低了剂量,同时保持了用于放射治疗计划的图像质量.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能在医学中的应用
背景情况:
- 四维计算机断层扫描 (4D CT) 对于胸部瘤放射治疗计划至关重要.
- 当前的4DCT协议往往会获得多余的数据,增加辐射暴露,并偏离ALARA原则.
- 优化数据采集是必要的,以减少患者的剂量.
研究的目的:
- 开发和验证用于指导4D CT数据采集的深度学习 (DL) 模型.
- 通过只获取必要的投影数据来最大限度地减少辐射暴露.
- 为了确保诊断图像质量保持在辐射治疗规划中.
主要方法:
- 对294名患者的1415个呼吸信号进行了回顾性分析,用于DL模型培训和验证.
- 训练了一种DL模型,以预测最佳的beam-on事件来进行投影采集.
- 在104个临床4DCT扫描中进行独立测试,将剂量减小的图像与使用细分,注册和文物分析的参考图像进行比较.
主要成果:
- DL方法减少了光束启动时间和成像剂量的中位数为29%,平均剂量减少为11.6mGy.
- 与参考图像相比,重建的剂量减小图像显示出最小的差异 (高子系数,小位移场).
- 人工件的频率保持不变,瘤细分/运动范围仅显示微小的偏差,表明诊断质量得到保留.
结论:
- 拟议的DL驱动的数据采集方法有效地减少了4DCT中的辐射暴露.
- 这种方法保持了诊断图像质量,这对于放射治疗计划至关重要.
- 这代表了一种临床上可行且符合ALARA的解决方案,用于4DCT成像.
更多相关视频
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
05:07Author Spotlight: Optimized Lung MRI Protocol with Computationally Efficient Reconstruction Methods
Published on: September 6, 2024
