在MR指导放射治疗中基于深度学习的无合成CT光子剂量计算:一项概念验证研究

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 医学成像中的深度学习

背景情况:

• 磁共振成像 (MRI) 导向放射治疗缺乏对于精确剂量计算至关重要的组织衰减数据.
• 目前用于MRI合成CT生成的深度学习 (DL) 模型往往无法满足实时适应要求.

研究的目的:

• 提出并证明基于DL的光子剂量计算方法直接在0.35TMRI上的可行性.
• 消除合成CT生成的需要,使适应性放射治疗的剂量计算更快.

主要方法:

• 从34名接受MR-Linac治疗的前列腺癌患者中收集了0.35 T MRI和注册的CT数据.
• 基于手动MRI轮和执行蒙特卡罗 (MC) 剂量模拟的CT图像中纠正了空气腔.
• 开发了一个DL模型 (Unet和LSTM) 来直接从MRI预测剂量,并结合了空气腔细分和光束的视觉处理.

主要成果:

• 对于所有测试的光子束,DL模型实现了高于99.50%的平均马传递率 (γpr).
• 重新计算的治疗计划超过了99.80%的gpr,显示出高精度.
• 该模型表现出每光子束约12毫秒的快速推断时间.

结论:

• 对前列腺癌患者来说,直接在MRI上基于DL的剂量计算是可行的.
• 这种方法可以简化只有MRI的工作流程,并促进实时自适应性放射治疗.
• 这种方法有可能提高适应性放射治疗的治疗效率和准确性.