在大脑和头部放射治疗中,一种通用医学成像模式的翻译模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 辐射疗法 辐射疗法

背景情况:

• 多模式成像对于放射治疗计划至关重要.
• 合成缺失或转换像MRI和CT这样的模式有助于临床任务.
• 现有的方法在灵活性和准确性方面存在局限性.

研究的目的:

• 开发一种通用图像翻译模型,即Translate Any Modality (TAM),用于合成MRI序列和CT扫描.
• 为了促进下游临床任务,包括多式联络注册和放射治疗中的治疗剂量计算.

主要方法:

• 一个两阶段的翻译策略,使用3D U-Net进行细分和条件扩散模型进行合成.
• 从90名患者的多模式成像 (大脑和头部) 的回顾性治愈.
• 使用FID,PSNR,SSIM,MAE等指标进行评估,并通过注册和剂量计算进行临床相关性测试.

主要成果:

• 与CycleGAN和UNIT相比,TAM显示出更优质的图像质量 (PSNR: 30.0 与 25.4-27.0 相比; SSIM: 0.973 与 0.949-0.958 相比).
• 基于TAM的合成CT实现了高平均马指数 (99.1%在2%/2mm,94.1%在1%/1mm),与真实CT计划非常接近.
• 在下游注册和剂量计算任务中提高准确性.

结论:

• TAM是一种新的,灵活的,任何对任何医疗图像模式的翻译模型.
• 它提供了MRI序列和CT之间的解剖学忠实翻译.
• 该模型提高了关键的下游放射治疗任务的准确性.