通过基于深度学习的重建来规划放射治疗治疗中的剂量减少CT:一个单一机构的研究研究
Keisuke Yasui1, Yuri Kasugai2, Maho Morishita3
1Division of Medical Physics, School of Medical Sciences, Fujita Health University, 1-98, Dengakugakubo, Kutsukake-cho, Toyoake, Aichi, 470-1192, Japan. k-yasui@fujita-hu.ac.jp.
Radiological physics and technology
|September 23, 2025
概括
深度学习重建 (DLR) 在放射治疗计划CT (RTCT) 中显著降低辐射剂量. 这种先进的成像技术可以显著降低剂量,有助于建立新的诊断参考水平 (DRL).
科学领域:
- 医疗成像医学成像
- 放射治疗 物理 物理
- 人工智能在医学中的应用
背景情况:
- 放射治疗治疗计划CT (RTCT) 需要仔细管理辐射剂量.
- 目前的剂量减少方法,如自适应代剂量减少 (AIDR) 有局限性.
- 基于深度学习的重建 (DLR) 算法为增强图像质量和剂量减少提供了潜力.
研究的目的:
- 在RTCT中使用DLR (AiCE) 量化辐射剂量减少,与代重建 (IR;AIDR) 相比.
- 评估DLR在提供RTCT特定诊断参考水平 (DRL) 方面的潜力.
主要方法:
- 用IR (n=820) 和DLR (n=854) 重建的四部分RTCT扫描 (头部,头部和部,肺部,骨盆) 的回顾性分析.
- 在IR和DLR重建之间对第75个百分位数CTDIvol和DLP进行比较.
- 剂量减少率的计算和统计学意义测试 (曼-惠特尼U测试).
主要成果:
- 在所有地点,DLR实现了30.4-75.4%的显著CTDIvol减少和23.1-73.5%的DLP减少 (p < 0.001).
- 在头部和部RTCT中观察到最大的剂量减少 (CTDIvol: 75.4%; DLP: 73.5%).
- 与已公布的国家DRL相比,DLR还缩小了剂量变异性,并实现了较低的CTDIvol值.
结论:
- 在RTCT中,DLR显著降低了辐射剂量指数.
- 来自DLR的定量数据可以有效指导建立RTCT特定的DLR.
- DLR优化了临床工作流程,允许在放射治疗计划中显著降低剂量.
