用于 MRI 实时治疗指导的个性化模型与基础模型的闭环耦合

图像引导治疗，包括放射治疗、活检和深部脑刺激，依赖于对解剖结构的实时靶向。然而，在存在运动的情况下，成像延迟会在观察到的解剖结构和真实解剖结构之间产生时间错位，从而影响治疗准确性。基于人工智能的框架越来越多地被提出以缩小这一延迟差距，但领先的个性化模型可能因缺乏稳定的解剖基础而失败。基础模型可以提供有根据的行为，但它们不适应实时的个体患者动态。在此，我们介绍了一种闭环耦合框架，该框架将患者特定的时间预测与来自基础模型的基于连续分割的解剖解释协同起来。个性化模型预测未来的解剖结构以补偿系统延迟，而流式基础模型提供解剖监督，用于在治疗期间实时连续更新时间预测器。我们使用数字体模和接受 MRI 引导放射治疗的患者的治疗中磁共振成像（MRI）验证了该框架。对于 400 毫秒的预测范围，所提出的方法在临床相关的延迟约束内，与现有方法相比，改善了解剖预测并减少了剂量学误差。这些结果确立了闭环耦合作为实时图像引导干预的通用策略。