Validación de imágenes generadas a partir de imágenes tomográficas de haz cónico usando redes neuronales de aprendizaje profundo para radioterapia adaptativa

• Manuel Llorente Manso ^[1] ; Sandra Vilela Serrano ^[1] ; Carlos Ferrer Gracia ^[1] ; Natalia Carballo González ^[1]
  1. [1] Centro Oncológico MD Anderson España, Madrid
• Localización: Revista de Física Médica, ISSN-e 1576-6632, Vol. 25, Nº. 1, 2024, págs. 41-49
• Idioma: español
• Títulos paralelos:
  • Validation of cone beam tomographic images generated by deep learning neural networks for adaptive Radiotherapy
• Enlaces
  • Texto completo
• Resumen
  • español

    Durante los tratamientos de Radioterapia, se adquieren imágenes tomográficas del paciente. Estas imágenes presentan artefactos que limitan su validez para el cálculo de dosis. Es posible, con el uso de redes neuronales, hacerlas más adecuadas para el cálculo de dosis. Empleamos la conocida red neuronal U-NET para entrenar un modelo capaz de generar imágenes tomográficas aptas para el cálculo de dosis. El modelo se entrena con imágenes de tórax de 25 pacientes. El resultado se verifica sobre las imágenes de 14 pacientes: 10 de tórax y 4 de pelvis. Con las Imágenes de CBCT se generan unas TC sintéticas que se comparan con las de simulación. Se evalúan el error medio (EM) error absoluto medio (EAM) la relación máxima de señal ruido (RMSR) y el índice de similitud estructural (ISE).

    Se compara la dosis calculada sobre el TC con la calculada sobre ambos CBCT. Se calcula el índice gamma de similitud entre las matrices de dosis y los valores de D5, D95 y dosis media sobre el PTV.

    Se observa una mejora estadísticamente significativa en todos los parámetros estudiados.

    La red neuronal U-NET puede emplearse para modificar imágenes de CBCT y hacerlas más aptas para el cálculo de dosis.

  • English

    During radiotherapy treatments, tomographic images of the patient are acquired. There is interest in using those images for treatment re-planning. LINAC images, in general, have artifacts that limit their validity for dose calculation. The use of neural networks can enhance the image quality to make them more apt for dose calculation. In this work, we use the well-known neural network U-NET to train a model capable of generating tomographic images valid for dose calculation. The model is trained with images of thorax of 25 patients. The result is verified over the images of 14 patients: 10 thorax and 4 pelvis. The CBCT images are used to generate synthetic CT’s which are compared with the simulation ones. Mean error, mean absolute error, maximum signal to noise ratio and structural similarity index are evaluated.

    Doses calculated on both CBCT images and CT are compared. Evaluated parameters are gamma index, D5, D95 and mean dose in the dose volume histogram of the target volume.

    All the parameters evaluated presented a statistically relevant improvement.

    U-NET neural network can be used on CBCT images to make them more apt for dose calculation.