使用循环一致的生成对抗网络合成CT进行剂量测量评估,用于MR引导的自适应性放射治疗
Gabriel L Asher1, Shiru Wang2, Bassem I Zaki3,4
1Department of Computer Science, Dartmouth College, Hanover, NH, United States.
Frontiers in oncology
|October 15, 2025
概括
从MRI扫描中生成深度学习的合成CT (sCT) 为放射治疗剂量计算提供了准确的电子密度. 这使得MR指导放射治疗 (MRgRT) 的高效,仅MRI治疗规划成为可能.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 磁共振 (MR) 导向辐射疗法 (MRgRT) 提供高分辨率成像,但缺乏电子密度数据来准确计算剂量.
- 这种限制阻碍了MR导向治疗的全面应用.
研究的目的:
- 评估基于深度学习 (DL) 的合成CT (sCT) 从3DMRI扫描进行自适应MRgRT的生成.
- 评估DL生成的sCT用于辐射剂量计算的准确性.
主要方法:
- 一个循环一致的生成对抗网络 (Cycle-GAN) 使用来自各种瘤部位的对联MRI和CT (dCT) 数据进行训练.
- DL模型从MRI设置扫描中生成了sCT体积.
- 通过图像质量指标和剂量计计算来评估sCT的准确性.
主要成果:
- DL模型在sCT和dCT之间实现了49.2±13.2 HU的平均绝对误差 (MAE).
- sCT显示结构相似度提高,电子密度与dCT相比较.
- 剂量测量评估显示sCT和dCT之间的差异很小,并优异地重建了像气泡这样的解剖细节.
结论:
- 从MRI设置扫描中基于DL的sCT生成足够准确,可以在MR-Linacs中计算剂量.
- 这便于MR-only处理规划工作流程,提高MRgRT模拟和自适应规划的效率.
更多相关视频
10:48PET and MRI Guided Irradiation of a Glioblastoma Rat Model Using a Micro-irradiator
Published on: December 28, 2017
9.9K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
3.1K
