基于知识的深度残留U-Net (DRU) 用于合成CT生成,使用单个MR体积用于无框架放射性外科手术

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射疗法是一种放射治疗.

背景情况:

• 立体射线手术 (SRS) 传统上需要MRI和CT扫描.
• CT模拟是一个耗时的步骤,并引入额外的辐射暴露.
• 对于SRS来说,仅使用MRI的工作流程是可取的,以简化过程并减少患者负担.

研究的目的:

• 开发和验证基于知识的深度学习模型,用于从单个MRI卷中生成合成CT (sCT).
• 为基于LINAC的无框SRS实现仅MRI的工作流,消除了对CT模拟的需求.
• 评估生成的sCT的准确性及其对SRS治疗计划和剂量计算的影响.

主要方法:

• 在120名患者的MRI卷上训练了一种深度残留U-Net (DRU) 模型,以生成sCT.
• 整合了一个健康的大脑CT体积,以提供CT特定的解剖学知识.
• 生成的sCT被用来创建一个完整的sCT体积 (sCT_F),模拟治疗条件,包括一个固定化面具.
• 使用PSNR,SSIM,RMSE和MAE对地面真相CT进行了评估,以评估sCT的准确性.
• 在sCT_F上重新计算了SRS治疗计划,以使用玛指数评估将剂量分布与原始计划进行比较.

主要成果:

• 生成的sCT实现了高精度,PSNR为75 ± 4 dB,SSIM为0.99 ± 0.01,RMSE为11.9 ± 5.8 HU,MAE为1.4 ± 0.8 HU.
• 在sCT_F上进行剂量重新计算的马指数合格率为95.8 ± 4.2% (整个体积) 和84.4 ± 15.0% (在PTV内).
• 规划目标体积 (PTV) 中的平均剂量差异在-2.0%±2.3%之间,表明差异很小.

结论:

• 基于知识的深度模型可以有效地从单模式MRI中生成准确的sCT图像.
• 开发的sCT生成方法支持在MRI-only工作流程中无框架SRS规划.
• 这种方法无地集成到当前的临床工作流程中,可能提高效率并减少患者的暴露.