通过人工智能细分辅助的光谱虚拟非对比成像
Mohsen Beikali Soltani1,2, Hugo Bouchard1,2
1Département de physique, Université de Montréal, Montréal, QC, Canada.
Medical physics
|October 30, 2025
概括
这项研究使用AI细分来增强虚拟非对比 (VNC) CT成像,以提高光谱光子计数CT (PCCT) 的精度. 这种人工智能辅助的方法为放射治疗应用提供了更好的组织特征.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 放射治疗 物理 物理
背景情况:
- 定量虚拟非对比 (VNC) 方法旨在从对比增强的光谱CT中推导放射治疗参数,避免额外的扫描.
- 挑战在于,用有限的光谱数据进行组织表征的不良性质,需要先进的技术.
研究的目的:
- 在光谱光子计数CT (PCCT) 中适应贝叶斯VNC方法对任意能量通道.
- 将基于人工智能的多器官细分的先前解剖知识集成到VNC方法中.
- 为改进定量参数估计的方法进行概括.
主要方法:
- 为多种能量重新制定了贝叶斯VNC方法,并将其与AI细分 (TotalSegmentator) 集成.
- 将该方法应用于模拟的对比增强双能CT (DECT) 和PCCT数据集.
- 估计辐射疗法参数,如电子密度和质子停止功率比 (SPR),将它们与基本事实进行比较.
主要成果:
- 基于AI的细分显著提高了DECT和PCCT,特别是PCCT的参数估计准确度.
- 高光谱分辨率与解剖学先验相结合,减少了SPR和电子密度中的根平均平方误差.
- 与其他方法相比,细分辅助PCCT在水等效路径长度 (WEPL) 误差方面表现优越.
结论:
- 一个灵活的,人工智能辅助的贝叶斯框架被开发用于对比增强光谱CT的定量分析.
- 整合AI细分和泛化到PCCT改进了组织特征.
- 这些发现突出了AI在DECT之外的定量洞察力的潜力,需要进一步的临床验证.
