Using Deep Learning to Enhance Compton Camera Based Prompt Gamma Image Reconstruction Data for Proton Radiotherapy
Using Deep Learning to Enhance Compton Camera Based Prompt Gamma Image Reconstruction Data for Proton Radiotherapy
复制标题
使用深度学习增强质子放射治疗中基于康普顿相机的即时伽玛图像重建数据
DOI：
10.1002/pamm.202100236
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Polf, Jerimy C.
中科院分区：
文献类型：
--
作者：
Barajas, Carlos A.;Kroiz, Gerson C.;Gobbert, Matthias K.;Polf, Jerimy C.
质子束放射治疗是一种癌症治疗方法，其使用质子束照射癌组织，同时节省对健康组织的剂量。为了优化对肿瘤的辐射剂量并确保健康组织不受影响，许多研究人员建议通过真实的实时成像来验证治疗交付。一种很有前途的真实的时间成像方法是通过康普顿相机，它可以对沿着光束路径穿过患者发射的即时伽马射线进行成像。然而，由于相机的限制，用现代重建算法重建的图像通常是有噪声的并且不能用于验证质子治疗递送。本文展示了深度学习在三重和双重到三重事件的情况下去除错误提示伽马耦合和纠正数据中顺序不当的伽马相互作用的能力。
Proton beam radiotherapy is a cancer treatment method that uses proton beams to irradiate cancerous tissue while simultaneously sparing doses to healthy tissue. In order to optimize radiational doses to the tumor and ensure that healthy tissue is spared, many researchers have suggested verifying the treatment delivery through real‐time imaging. One promising method of real‐time imaging is through a Compton camera, which can image prompt gamma rays emitted along the beam's path through the patient. However, the images reconstructed with modern reconstruction algorithms are often noisy and unusable for verifying proton treatment delivery due to limitations with the camera. This paper demonstrates the ability of deep learning for removing false prompt gamma couplings and correcting the improperly ordered gamma interactions within the data for the case of Triples and Doubles‐to‐Triple events.
探索深度学习以改进质子放射治疗中基于康普顿相机的即时伽玛图像重建
DOI：
--
发表时间：
2021
期刊：
The 17th International Conference on Data Science (ICDATA'21
影响因子：
--
作者：
Kroiz, Gerson C;Barajas, Carlos A.;Gobbert, Matthias K;Polf, Jerimy C
通讯作者：
Polf, Jerimy C
基于深度学习的质子放射治疗康普顿相机瞬发伽马成像分类方法
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
C. Barajas;Gerson C. Kroiz;M. Gobbert;J. Polf
通讯作者：
J. Polf
基于快速伽玛成像的质子束射程验证原型康普顿相机的临床可行性研究
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
J. Polf;C. Barajas;Gerson C. Kroiz;S. Peterson;P. Maggi;D. Mackin;S. Beddar;M. Gobbert
通讯作者：
M. Gobbert