通过少样本合成到真实学习和结构感知跟踪实现近距离放疗中的多导管数字化

在 CT 引导的间质近距离放疗中，准确的导管数字化是一项关键但耗时的任务，尤其是在复杂的植入物配置下。我们开发了一个数据高效、物理引导的框架，用于以最少的临床标注实现自动化多导管数字化。该流程包括两个阶段。首先，一个植入区域感知网络在具有模拟金属特征的合成 CT 体数据上进行预训练，然后仅使用 10 个临床病例进行微调。其次，一个结构感知重建模块将方向约束的 3D Hough 变换与同步的物理约束向内跟踪相结合，以分离粘附的导管轨迹。该方法通过 38 名患者的 203 个治疗分次的患者级五折交叉验证进行评估。微调后的网络实现了 0.853 +/- 0.362 mm 的 HD95。端到端评估产生了 0.891 +/- 0.178 的 F1 分数，轴和尖端误差分别为 0.334 +/- 0.367 mm 和 0.896 +/- 0.680 mm。在导管严重粘附的情况下，跟踪 F1 分数保持在 0.843 +/- 0.190。整个工作流程每个病例大约需要 11.6 秒。这些结果表明，将少样本合成到真实学习与物理引导的结构跟踪相结合，可以为时间敏感的临床工作流程提供稳健且高效的多导管数字化。