基于深度学习的肺部立体定向体部放射治疗实时容积成像：概念验证研究
医学物理
2020-05-26 v1 图像与视频处理
摘要
由于呼吸运动的个体间和个体内变异，在肺部立体定向体部放射治疗（SBRT）实施过程中，非常需要提供实时容积图像，以实现精确和主动的运动管理。在这项概念验证研究中，我们提出了一种集成感知监督的新型生成对抗网络，从单个二维投影推导出瞬时容积图像。我们提出的网络名为TransNet，由三个模块组成，即编码、变换和解码模块。我们没有仅使用生成的3D图像与真实3D CT图像之间的图像距离损失来监督网络，而是将特征空间中的感知损失集成到损失函数中，以迫使TransNet产生精确的肺部边界。对抗监督也被用于提高生成3D图像的真实性。我们对20例在本机构接受过肺部SBRT治疗并进行了4D-CT模拟的患者进行了模拟研究，并评估了我们的方法在四个不同投影角度（即0度、30度、60度和90度）下的有效性和一致性。对于每个呼吸相位的3D CT图像集，我们模拟了其在这些角度下的2D投影。然后，对于每个投影角度，使用一个患者9个相位的3D CT图像和相应的2D投影数据进行训练，剩余相位用于测试。我们的方法实现的平均绝对误差、归一化MAE、峰值信噪比和结构相似性指数度量分别为99.3 HU、0.032、23.4 dB和0.949。这些结果证明了我们的2D到3D方法对肺癌患者的可行性和有效性，为治疗中实时机载容积成像提供了一种潜在的解决方案，以实现精确的剂量递送，确保肺部SBRT治疗的有效性。
引用
@article{arxiv.2005.11832,
title = {Deep learning-based Real-time Volumetric Imaging for Lung Stereotactic Body Radiation Therapy: A Proof of Concept Study},
author = {Yang Lei and Zhen Tian and Tonghe Wang and Kristin Higgins and Jeffrey D. Bradley and Walter J. Curran and Tian Liu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2005.11832},
year = {2020}
}