用于 MR-Linac 上仅 MR 自适应放射治疗的循环一致生成对抗网络合成 CT
医学物理
2023-12-06 v1 计算机视觉与模式识别
图像与视频处理
摘要
目的：本研究评估深度学习 (DL) 在 MR 引导自适应放射治疗 (MRgART) 中生成合成 CT (sCT) 图像的有效性。方法：使用来自 MR-LINAC 治疗的 MRI 和 CT 扫描切片训练 Cycle-GAN 模型，生成 sCT 体积。分析涉及来自患有各种肿瘤的患者的回顾性治疗计划数据。使用 Hounsfield 单位 (HU) 的平均绝对误差和图像相似度指标 (SSIM、PSNR、NCC) 将 sCT 图像与标准 CT 扫描进行比较。将 sCT 体积整合到临床治疗系统中进行剂量学重新评估。结果：该模型在 57 名患者的 8405 帧上进行训练，并在 17 名患者的 357 帧 sCT 上进行测试，结果显示 sCT 在电子密度和与 MRI 扫描的结构相似性方面与 dCT 具有可比性。sCT 和 dCT 之间的 MAE 为 49.2 +/- 13.2 HU，sCT 的 NCC 比 dCT 高 0.06，SSIM 和 PSNR 分别为 0.97 +/- 0.01 和 19.9 +/- 1.6。剂量学评估表明 sCT 和 dCT 之间的差异极小，且 sCT 显示出更好的气泡重建。结论：在 MR-Linac 上基于 DL 的 sCT 生成对于 MRgART 中的剂量计算和优化是准确的。这可以促进仅 MR 治疗计划，提高 MR-Linac 上的模拟和自适应计划效率。
引用
@article{arxiv.2312.02211,
title = {Cycle-consistent Generative Adversarial Network Synthetic CT for MR-only Adaptive Radiation Therapy on MR-Linac},
author = {Gabriel L. Asher and Bassem I. Zaki and Gregory A. Russo and Gobind S. Gill and Charles R. Thomas and Temiloluwa O. Prioleau and Rongxiao Zhang and Brady Hunt},
journal= {arXiv preprint arXiv:2312.02211},
year = {2023}
}