验证MRCAT和基于深度学习的合成CT图像对宫癌患者的临床可行性

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:

• 从MRI图像生成合成CT (sCT) 产生对于放射治疗计划至关重要.
• 基于细分 (MRCAT) 和基于深度学习 (DL) 的方法是sCT生成的常见方法.

研究的目的:

• 为了验证放射治疗 (RT) 计划过程使用MRCAT和DL基于sCT图像.
• 为了比较从sCT生成的RT计划的准确性和临床可接受性与宫癌患者的真实CT图像.

主要方法:

• 基于DL的sCT图像使用训练有素的网络生成.
• MRCAT图像是从mDixon序列中获得的.
• 有风险的器官 (OAR) 通过微小的sCT图像调整自动进行轮.
• 辐射瘤学家定义了目标体积.
• 使用商业治疗计划系统 (TomoTherapy) 创建了同时进行的综合提升计划.

主要成果:

• 对于基于DL (DSC 0.844) 和MRCAT (DSC 0.829) 的计划目标体积 (PTV) 观察到高度的几何相似性.
• 总瘤体积 (GTV) 的平均百分比差异为DL基的20.71%和MRCAT的30.31%.
• 包含GTV的PTV显示了最小的体积变化 (基于DL的平均增长为0.37%,MRCAT为1.66%).
• 与真实CT (p=0.03,p=0.029,p=0.063) 相比,在膀体积和剂量指标 (V20Gy,V30Gy) 中发现了显著的差异.
• 在sCTs上生成的所有计划都符合目标覆盖的机构标准,并且在临床上是可以接受的.

结论:

• 基于MRCAT和DL的sCT图像在临床上适用于放射治疗规划.
• 基于sCT的计划的质量与真正的基于CT的计划相美.
• 这些合成CT方法为RT规划提供了可行的替代方案,有可能提高工作流程效率和患者的治疗结果.