在瘤放射治疗中的多式合成CT生成
Xue Li1, Rongli Ran2, Liang Wu1
1School of Radiology, Shandong First Medical University & Shandong Academy of Medical Sciences, Tai'an, China.
Medical physics
|November 4, 2025
概括
这项研究介绍了RC-MambaGAN,这是一种用于从MRI生成合成CT (sCT) 图像的新型深度学习模型. 它通过改进电子密度信息来提高MRI导向放射治疗 (MRIgRT) 的准确性,从而推进MRI-only工作流.
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:
- 磁力共振成像指导辐射疗法 (MRIgRT) 提供了优势,但需要对电子密度进行CT.
- 目前的合成CT (sCT) 生成方法在全球和本地准确性方面面临挑战.
- 从MRI产生高效和准确的sCT仍然是MRIgRT的关键需求.
研究的目的:
- 开发一种新的深度学习模型,用于改进从MRI获得sCT图像的生成.
- 在sCT合成中提高全球背景和本地细节的准确性.
- 为了实现高精度的sCT与最小增加模型复杂度.
主要方法:
- 提出了一个生成对抗网络,RC-MambaGAN,集成Mamba块和剩余约束 (RC) 策略.
- 曼巴块被用来捕捉远程的上下文信息,同时保留本地特征.
- 该RC策略将残留物最小化,以便在sCT和真实CT图像之间更好地对齐.
主要成果:
- RC-MambaGAN表现出高性能,MAE为37.094±8.761HU,PSNR为28.424±1.145dB,SSIM为0.947±0.004和MI为1.426±0.012. 这样,RC-MambaGAN的MAE为37.094±8.761HU,PSNR为28.424±1.145dB,SSIM为0.947±0.004和MI为1.426±0.012. 这样,RC-MambaGAN的MAE为37.094±8.761HU,PSNR为28.424±1.145dB,SSIM为0.947±0.004和MI为1.426±0.012.
- 外部验证证实,在图像质量和定量准确性方面,其性能优于最先进的方法.
- 该模型准确地描绘了在MRI中可见的结构,但在CT中没有.
结论:
- RC-MambaGAN显著提高了sCT图像质量和MRI的解剖学准确性.
- 这一进步支持MRI-only放射治疗工作流程的临床可行性.
- 该模型为MRIgRT中电子密度估计提供了一个有希望的解决方案.


