权重计算方法_头颈肿瘤放疗中基于 CBCT 的剂量计算方法比较：从 HU 到密度校准曲线再到深度学习...

原文出处

Anais Barateau, Renaud De Crevoisier, et al. Comparison of CBCT-based dose calculation methods in head and neck cancer radiotherapy: from Hounsfield unit to density calibration curve to deep learning. Med Phys 12th July, 2020.

https://doi.org/10.1002/mp.14387

摘要

该研究评估深度学习方法 (DLM) 的准确性，并将该方法用于 H&N (head and neck cancer) 癌症放疗，与现有的三种基于 CBCT 中计算剂量的方法进行比较。

研究发现，对于 H&N 放疗基于 CBCT 的剂量计算方法，DIR 法和 DLM 在剂量准确度和计算时间上是四种方法中最有吸引力的。使用 DIR 法 (形变图像配准) 或 DLM 配合 CBCT 图像，可以在治疗过程中对腮腺进行剂量监测，并可用于重新计划。

1. 研究背景

目前已经提出了几种 CBCT 剂量计算的方法：

(a) HU与密度之间的校准曲线 (HU-D 曲线)：从 CBCT 图像中建立的 HU-D 曲线可用于将 CBCT HU 转换为密度，用于剂量计算。

(b) 密度分配法 (DAM)：也称为批量密度法，将图像分割成 2 至 6 个组织类别 (如软组织、空气和骨骼)，然后再将密度分配给每个类别。尽管如此，这种方法依赖于结构分割，并提供具有同质组织的图像。

(c) CT 与 CBCT 之间的形变图像配准 (DIR)：将 CT 变形为 CBCT，生成“变形”CT，可用于剂量计算。CT-CBCT DIR 由于 CBCT 固有的局限性，如噪声、低对比度和缩小的 FOV，可能是困难的。

(d) 机械学习生成伪 CT (pCT)：机械学习方法基于补丁或深度学习 (DL)，从 CBCT 生成 pCT (即合成图像)。机器学习方法需要大量的训练队列，而且这些方法大多需要核心匹配数据来进行训练。

深度学习方法 (DLM) 是由多个处理层组成的模型，通过多层次的概念来表征学习数据的多尺度。这些方法最近被引入到放射治疗中，用于各种应用，如图像分割、图像重建、图像登记、治疗计划和放射组学。最近，有人提出了使用生成式对抗网络 (GANs) 的 DLM，通过从判别器网络中获得对抗反馈，提供更真实的 pCTs 的理论优势。

该研究评价了 DL 法在 CBCT H&N 剂量计算中的准确性，并将此方法与 HU-D 曲线、密度分配和 DIR 方法进行比较。

2. 材料和方法

2.1 患者数据

回