Synthese von CT-Bildern aus CBCT-Bildern mittels Deep Learning

ZWECK: Die Cone-Beam-Computertomographie (CBCT) wird täglich oder wöchentlich (d. h. während der Behandlung) für eine genaue Patientenlagerung in der bildgeführten Strahlentherapie verwendet. Die Ungenauigkeit der CT-Zahlen verhindert jedoch, dass CBCT fortgeschrittene Aufgaben wie Dosisberechnung und Behandlungsplanung ausführen kann. Motiviert durch die vielversprechende Leistung des Deep Learning in der medizinischen Bildgebung, schlagen wir einen tiefen U-Net-basierten Ansatz vor, der CT-ähnliche Bilder mit genauen Zahlen aus der Planungs-CT synthetisiert, während die gleiche anatomische Struktur wie bei der CBCT während der Behandlung beibehalten wird. METHODEN: Wir haben das Problem der CT-Synthese in einem Deep Learning-Rahmen formuliert, in dem eine tiefe U-Net-Architektur genutzt wurde, um die anatomische Struktur der Behandlung-CBCT und die Bildintensitätsinformationen der Planungs-CT zu nutzen. U-Net wurde gewählt, weil es sowohl globale als auch lokale Merkmale im räumlichen Bereich des Bildes nutzt, was unserer Aufgabe entspricht, globale Streuungsartefakte und lokale Artefakte wie Rauschen in der CBCT zu unterdrücken. Um das synthetische CT-Generierungs-U-Net (sCTU-net) zu trainieren, verwenden wir die CBCT während der Behandlung und die ursprünglichen Planungs-CT von 37 Patienten (30 für das Training, sieben für die Validierung) als Eingabe. Zusätzliche Re-Planungs-CT-Bilder, die am selben Tag wie die CBCT nach deformierbarer Registrierung aufgenommen wurden, werden als die entsprechenden Referenzen genutzt. Um die Effektivität des vorgeschlagenen sCTU-net zu demonstrieren, verwenden wir sieben weitere unabhängige Patientenfälle (560 Schichten) für Tests. ERGEBNISSE: Wir verglichen quantitativ das resultierende synthetische CT (sCT) mit dem ursprünglichen CBCT-Bild unter Verwendung der deformierten Planungs-CT-Bilder vom selben Tag als Referenz. Die durchschnittliche Genauigkeit, gemessen durch den mittleren absoluten Fehler (MAE) zwischen sCT und Referenz-CT (rCT) in den Testdaten, beträgt 18,98 HU, während der MAE zwischen CBCT und rCT 44,38 HU beträgt. SCHLUSSFOLGERUNGEN: Das vorgeschlagene sCTU-net kann CT-Qualitätsbilder mit genauen CT-Zahlen aus CBCT während der Behandlung und der Planungs-CT synthetisieren. Dies ermöglicht potenziell fortgeschrittene CBCT-Anwendungen für adaptive Behandlungsplanung.