Dual-Energie-CT-basierte Schätzung der Massendichte und der relativen Bremskraft für die Protonentherapie unter Verwendung von physik-informiertem Deep Learning

Die Protonentherapie erfordert eine genaue Dosisberechnung für die Behandlungsplanung, um sicherzustellen, dass die konformen Dosen präzise an die Zielgewebe abgegeben werden. Die Umwandlung von CT-Zahlen in Materialeigenschaften ist eine bedeutende Quelle für Unsicherheiten bei der Dosisberechnung. Das Ziel dieser Studie ist die Entwicklung eines physik-informierten Deep Learning (PIDL) Rahmens zur Ableitung von genauen Massendichtemapping und relativen Bremskraftkarten aus dual-Energie-Computertomographie (DECT)-Bildern. Der PIDL-Rahmen ermöglicht es, Deep Learning (DL)-Modelle mit einer physikalischen Verlustfunktion zu trainieren, die ein physikalisches Modell enthält, um DL-Modelle einzuschränken. Fünf DL-Modelle wurden implementiert, darunter ein vollständig verbundenes neuronales Netzwerk (FCNN), dual-FCNN (DFCNN) und drei Varianten von residualen Netzwerken (ResNet): ResNet-v1 (RN-v1), ResNet-v2 (RN-v2) und dual-ResNet-v2 (DRN-v2). Ein künstliches neuronales Netzwerk (ANN) und die fünf DL-Modelle, die mit und ohne physikalischen Verlust trainiert wurden, wurden untersucht, um den PIDL-Rahmen zu bewerten. Zwei empirische DECT-Modelle wurden implementiert, um den PIDL-Methoden zu vergleichen. Die DL-Trainingsdaten stammen von dem CIRS-Elektronendichtephantom 062M (Computerized Imaging Reference Systems, Inc., Norfolk, VA). Die Leistung der DL-Modelle wurde mit den CIRS anthropomorphen Phantomen eines erwachsenen Mannes, einer erwachsenen Frau und eines 5-jährigen Kindes getestet. Bei der Inferenz der Dichtemappen war das physik-informierte RN-v2 um 3,3 %, 2,9 % und 1,9 % genauer als ANN für die Phantome des erwachsenen Mannes, der erwachsenen Frau und des Kindes. Das physik-informierte DRN-v2 war um 0,7 %, 0,6 % und 0,8 % genauer als DRN-v2 ohne physikalisches Training für die drei Phantome, respektiv. Die Ergebnisse zeigten, dass das physik-informierte Training Unsicherheiten reduzieren könnte, wenn ANN/DL-Modelle ohne physikalisches Training unzureichend sind, um Datenstrukturen zu erfassen oder erhebliche Fehler abzuleiten. DL-Modelle konnten auch eine bessere Bildrauschkontrolle im Vergleich zu den empirischen DECT-Parametric Mapping-Methoden erreichen. Der vorgeschlagene PIDL-Rahmen könnte potenziell die Unsicherheit bezüglich der Protonspektren verbessern, indem er eine genaue Umwandlung von Materialeigenschaften aus DECT bietet.