基于深度学习的质子治疗 MRI 物质质量密度与相对阻止本领估计
医学物理
2025-06-23 v1
摘要
磁共振成像（MRI）正日益纳入治疗计划，因其相对于计算机断层扫描（CT）具有用于肿瘤和软组织勾画的优越软组织对比度。然而，MRI 不能直接提供质子放射治疗的剂量计算所需的质量密度或相对阻止本领（RSP）图。为展示基于 MRI-only 使用深度学习（DL）进行质子放射治疗质量密度和 RSP 估计的可行性。开发了一种基于 DL 的框架，以发现 MR 图像与质量密度和 RSP 之间的底层体素级关联。根据 ICRP 报告的材料组成信息，定制了包括皮肤、肌肉、脂肪、45% 羟基磷灰石（HA）和海绵骨在内的五种组织替代体模用于 MRI 扫描。制备了由猪脑和猪肝制成的两种动物组织体模用于 DL 训练。在体模研究中，训练了两个 DL 模型：一个包含临床 T1 和 T2 MRI，另一个将零回波时间（ZTE）MRI 作为输入。在患者应用研究中，训练了两个 DL 模型：一个包含 T1 和 T2 MRI 作为输入，另一个整合合成双能计算机断层扫描（sDECT）图像以提供骨组织信息。在体模研究中，基于 T1 和 T2 MRI 的 DL 模型在皮肤、肌肉、脂肪、脑和肝脏中展示了更高的质量密度和 RSP 估计精度，质量密度平均绝对百分比误差（MAPE）分别为 0.42%、0.14%、0.19%、0.78% 和 0.26%，RSP 分别为 0.30%、0.11%、0.16%、0.61% 和 0.23%。整合 ZTE MRI 的 DL 模型提高了 45% HA 和海绵骨中质量密度和 RSP 估计的精度，质量密度 MAPE 为 0.23% 和 0.09%，RSP 为 0.19% 和 0.07%。结果显示了使用 DL 方法进行质子治疗计划基于 MRI-only 的质量密度和 RSP 估计的可行性。
引用
@article{arxiv.2210.05804,
title = {MRI-based Material Mass Density and Relative Stopping Power Estimation via Deep Learning for Proton Therapy},
author = {Yuan Gao and Chih-Wei Chang and Sagar Mandava and Raanan Marants and Jessica E. Scholey and Matthew Goette and Yang Lei and Hui Mao and Jeffrey D. Bradley and Tian Liu and Jun Zhou and Atchar Sudhyadhom and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2210.05804},
year = {2025}
}