仅用MR进行放射治疗的3D隐性扩散模型:准确和一致的合成CT生成

科学领域:

• 医疗成像医学成像
• 放射治疗规划 放射治疗规划
• 人工智能的人工智能

背景情况:

• 减少对电离辐射暴露的临床需求推动了对合成成像解决方案的需求.
• 现有的交叉模态合成方法 (GAN,CNN) 与高对比度组织存在困难,限制了可靠性.
• 放射治疗等安全关键的应用需要高保真性合成CT (sCT) 产生.

研究的目的:

• 开发一个稳定,高精度的框架,用于3DMRI到CT合成.
• 在不同的解剖区域生成临床上相当的sCT.
• 建立一个强大的解决方案,用于无辐射的医学成像.

主要方法:

• 介绍了一种新的3D潜伏扩散模型 (3DLDM).
• 在压缩的潜伏空间内运行,以管理计算负载.
• 利用一个稳定的denoising目标来改进合成.

主要成果:

• 3DLDM在头部和部,胸部和腹部实现了56.44 HU的平均绝对误差 (MAE).
• 与CycleGAN (3.63%),NNUNet (10.76%) 和SwinUNeTr (20.79%) 相比,显示出显著的错误减少.
• 与现有方法相比,实现了优越的结构相似性 (SSIM) 和峰值信号噪声比率 (PSNR).

结论:

• 验证了一种可扩展和准确的方法用于体积图像合成.
• 3DLDM可实现仅MR的放射治疗计划,降低患者的辐射剂量.
• 加快无辐射多模式成像的临床采用.