仅 MRI 脑部放射治疗：评估使用深度学习方法生成的合成 CT 图像的剂量学准确性
医学物理
2019-04-12 v1
摘要
目的：本研究使用深度学习方法，评估了从磁共振成像（MRI）数据生成的合成 CT 图像在局灶性脑部放射治疗中的剂量学准确性。材料与方法：我们对 77 名脑肿瘤患者进行了研究，这些患者作为外束治疗计划模拟的一部分，均接受了 MRI 和计算机断层扫描（CT）成像。我们设计了一个生成对抗网络（GAN），用于从 MRI 图像生成合成 CT 图像。我们在生成器中使用互信息（MI）作为损失函数，以克服 MRI 与 CT 图像之间的错位（未配准数据）。模型使用每个训练受试者的 MRI/CT 图像对中所有 MRI 切片及其对应的 CT 切片进行训练。结果：所提出的 GAN 方法在 5 折交叉验证中的平均绝对误差（MAE）为 47.2 ± 11.0 HU。在所有测试数据中，CT 与合成 CT 图像之间在骨骼区域的总体平均 Dice 相似系数为 80% ± 6%。尽管训练 GAN 模型可能需要数小时，但该模型只需训练一次。使用训练好的 GAN 模型为每个新患者的 MRI 体素生成完整的合成 CT 体素仅需一秒钟。结论：我们开发的 GAN 模型能够在几秒钟内从常规的单序列 MRI 图像中生成高精度的合成 CT 图像。我们提出的方法在仅 MRI 脑部治疗计划的临床工作流程中具有表现出色的巨大潜力。
关键词
引用
@article{arxiv.1904.05789,
title = {MRI-only brain radiotherapy: assessing the dosimetric accuracy of synthetic CT images generated using a deep learning approach},
author = {Samaneh Kazemifar and Sarah McGuire and Robert Timmerman and Zabi Wardak and Dan Nguyen and Yang Park and Steve Jiang and Amir Owrangi},
journal= {arXiv preprint arXiv:1904.05789},
year = {2019}
}