基于深度学习的快速三维图像生成用于图像引导的质子FLASH放疗
摘要：质子FLASH治疗利用超高剂量率辐射增强对危及器官的保护，同时不损害肿瘤控制概率。为了为高剂量的目标区域输送做准备，我们目标是开发一种基于深度学习的图像引导框架，以实现在FLSAH束流输送之前快速的体积图像重建，以准确定位目标。所提出的框架包括四个模块，包括正交kV x射线投影采集、基于深度学习的体积图像生成、图像质量分析和水相当厚度评估。我们使用具有不同源角的四对kV投影进行体积图像重建的研究。从机构数据库中选择了30名肺部患者，每个患者包含一个含有十个呼吸相位的四维计算机断层扫描数据集。回顾性患者研究表明，所提出的框架可以从正交x射线投影中重建患者的体积解剖结构，包括肿瘤和危及器官。考虑到所有评估指标，源角为135度和225度的kV投影产生了最佳的体积图像。所提出的框架已被证明可以从两个正交的x射线投影中重建具有准确病变位置的体积图像。嵌入的WET模块可以用于检测潜在的质子束特异的患者解剖变异。该框架可以实现快速的体积图像生成，并可以潜在地指导质子FLASH治疗的治疗输送系统。
作者：Chih-Wei Chang, Yang Lei, Tonghe Wang, Sibo Tian, Justin Roper, Liyong Lin, Jeffrey Bradley, Tian Liu, Jun Zhou, and Xiaofeng Yang
论文ID：2210.00971
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2022-10-28