基于深度学习的头部和部可变形图像记录,使用时空分析和自我注意力

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 头癌 (HNC) 放射治疗期间的解剖学变化需要适应性策略来准确的剂量输送.
• 传统的可变形图像记录 (DIR) 方法对于在线适应性放射治疗 (ART) 工作流程来说太慢了.
• 在HNC中纵向成像对精确的治疗适应提出了挑战.

研究的目的:

• 开发和评估一种基于深度学习的DIR算法,用于纵向HNC成像.
• 为了实现实时的快速准确的图像注册,ART.
• 通过先进的图像注册,提高HNC放射治疗中的剂量递送精度.

主要方法:

• 开发了一个基于补丁的深度学习模型,集成了3D CNN,自我注意力和ConvLSTM.
• 该模型使用复合损失函数预测了双向变形向量场.
• 60个HNC患者数据集 (pCT和每周的CBCT) 用于培训和测试,与LDDMM进行基准测试.

主要成果:

• 深度学习DIR在不到3分钟的时间内实现了双向注册 (平均每患者30秒),比LDDMM快得多.
• 该算法与LDDMM的准确性相匹配或超过,关键结构的子相似系数高于0.8.
• 观察到改善的DVF一致性和减少的豪斯多夫距离,不需要手动参数调整.

结论:

• 拟议的DIR算法为HNC提供了快速,准确和一致的图像注册.
• 这支持实时自适应性放射治疗工作流程和追溯剂量积累.
• 该方法为HNC的个性化放射治疗提供了可行的解决方案.