通过PET导出的洗出与深度学习在质子治疗后映射瘤内异质性
医学物理
2025-06-27 v1
摘要
质子治疗期间产生的同位素分布可以通过正电子发射断层扫描（PET）进行成像，以验证剂量传递。然而，由灌注和细胞代谢等组织依赖性过程驱动的生物洗出，降低了PET的信噪比（SNR）并限制了定量分析。在本工作中，我们提出了一种感知不确定性的深度学习框架，以改善质子治疗后PET中洗出参数的估计，这不仅能够对洗出效应进行准确校正，还能将瘤内异质性作为肿瘤状态和治疗反应的替代标志物进行映射。我们在来自8名头颈癌患者的Monte Carlo模拟数据上训练了模型，并在另外4名头颈癌患者和1名肝癌患者上进行了测试。每位患者由75个具有不同肿瘤洗出动力学的数字孪生体表示，并在治疗后15分钟（当慢洗出成分占主导时）进行成像。我们还引入了“洗出”图，量化了中等和快速洗出成分对治疗结束到PET成像开始之间活度损失的贡献。训练后的模型显著提高了分辨率和准确度，将洗出率和洗出图的平均绝对误差分别降低了60%和28%。对于小至5 mL的瘤内区域，误差主要低于区分血管状态的阈值，并且模型在不同解剖区域和采集延迟下均具有泛化能力。本研究展示了深度学习在质子治疗后PET中无创映射洗出动力学并揭示瘤内异质性的潜力，支持剂量验证、肿瘤表征和治疗个性化。该框架可在 https://github.com/pcabrales/ppw.git 获取。
引用
@article{arxiv.2506.21153,
title = {Mapping intratumoral heterogeneity through PET-derived washout and deep learning after proton therapy},
author = {Pablo Cabrales and David Izquierdo-García and Víctor V. Onecha and Mailyn Pérez-Liva and Luis Mario Fraile and José Manuel Udías and Joaquín L. Herraiz},
journal= {arXiv preprint arXiv:2506.21153},
year = {2025}
}