基于CycleGan的kV-to-MV图像转换用于潜在的体内剂量测量应用:概念建议和跨机构验证

科学领域:

• 医学物理 医学物理
• 医疗保健中的人工智能
• 放射治疗成像技术的成像技术

背景情况:

• 目前的放射治疗工作流程依赖于计划CT (pCT) 来计算剂量.
• 准确的体内剂量监测对于治疗疗效和患者安全至关重要.
• 弥合kV pCT和MV门户图像之间的差距对于实时剂量测量至关重要.

研究的目的:

• 开发和验证基于CycleGAN的深度学习模型,用于将kV pCT转换为引用MV门户图像.
• 与传统方法相比,评估拟议模型的性能.
• 评估模型在体内治疗剂量监测中的适用性.

主要方法:

• 使用 pCT 的 kV 预测和从 Varian Halcyon 系统的 MV 预测.
• 训练了一个注意力增强的CycleGAN (ECA-CycleGAN) 来学习kV-MV图像关系.
• 将ECA-CycleGAN与Pix2pix和标准CycleGAN进行了定量比较.
• 在机构,机器和协议之间验证的模型通用性.

主要成果:

• 与CycleGAN和Pix2pix.x相比,ECA-CycleGAN实现了更高的性能 (SSIM:0.969,PSNR:41.3) 与CycleGAN和Pix2pix.x相比.
• 该模型证明了对人工翻译和旋转错误的稳定性 (P < 0.05).
• 跨机构验证证实在各种临床环境中具有良好的通用性.

结论:

• ECA-CycleGAN提供了蒙特卡洛模拟的有效替代方案,用于生成参考MV门户图像.
• 该方法促进了体内传输的剂量计,可能提高剂量输送的准确性.
• 这种方法可以改善验证具有挑战性的先进放射治疗技术的结果.