深層学習で画質改善したCBCT画像を用いた積算投与線量分布構築システムの開発

使用 CBCT 图像开发累积剂量分布构建系统，通过深度学习提高图像质量

• 批准号: 21K07639
• 负责人: 竹中 重治
• 金额: $ 2.08万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K07639/
• 关键词: 深層学習; 画質改善; 放射線治療; CBCT画像; 積算線量分布; DIR

放射線治療はがんの三大治療法の1つとして確立している．放射線治療の中でも体幹部定位放射線治療(stereotactic body radiation therapy：SBRT)や強度変調放射線治療(intensity modulated radiotherapy：IMRT)は高精度な治療法であり，治療時の標的や正常組織の位置精度が重要である．治療時の位置合わせとして，放射線治療装置に付属されているCBCT(cone beam computed tomography)が利用されている．一方，放射線治療において，実際に患者に投与された線量分布を求め，評価することは正確な治療効果や副作用の予測という観点で重要である．治療直前や治療中に撮像するCBCT画像は標的や正常組織の位置を反映してはいるものの，放射線治療の計画時に撮像されるCT画像と比較して画質が悪く，線量計算に用いることができない．本研究では，深層学習によって画質改善したCBCT画像を用いて，治療期間内に患者に投与された積算線量分布を構築するシステムを開発することを目的とする．研究期間内には、①深層学習を活用して撮像されたCBCT画像を画質改善し，生成された画像の定量評価や視覚評価を行う．②生成された画像に対して線量計算し投与線量分布を求める.③DIR(deformable image registration)を用いて各治療日の投与線量分布を治療計画用CT画像に合わせ込み，積算させる.④構築した線量分布から，標的や正常組織への投与線量を治療 計画と比較し評価する.当該年度では前立腺癌を対象として，画質改善されたCBCT画像に対して線量計算を行い，投与線量分布を求めた．求めた線量分布を治療計画と比較し、評価を行った．ここまでの研究成果を国内の学術大会で発表した．

Radiation therapy がん がん The three major treatment methods <e:1> 1 と と て て establish <s:1> て る る る. Youdaoplaceholder0 stereotactic body radiation therapy (SBRT)や intensity modulated radiotherapy: IMRT (<s:1> high-precision な treatment method であ であ, during treatment, the accuracy of the <s:1> target や normal tissue <e:1> position が is important である. During treatment, the <s:1> position is combined with わせと て て, and the radiotherapy device に is attached to されて る るCBCT(cone beam computed tomography)が utilizes されて る る る. Side, radiotherapy に お い て, be interstate に patients に cast with さ れ た め を dose distribution, review 価 す る こ と は の unseen fruit や correct な treatment side effects can be と い う 観 point で important で あ る. March forward や に in treatment of like す る CBCT portrait は mark や を reflect normal tissue の position し て は い る も の の, の radiation treatment plan に pinch of like さ れ る CT picture と compare し て quality が 悪 く, calculating に line with い る こ と が で き な い. This study で は, deep learning に よ っ て quality improve し た CBCT portrait を with い て, に に patients for treatment period and さ れ た integrating dose distribution を build す る シ ス テ ム を open 発 す る こ と を purpose と す る. Study period に は, (1) deep learning を transfer し て pinch of like さ れ た CBCT portrait を quality improve し, generate さ れ た portrait の quantitative evaluation 価 や visual 覚 review 価 う を line. (2) generate さ れ た portrait に し seaborne て dose calculation し cast and dose distribution を め る. (3) DIR (deformable image registration) を with い て treatment day の vote and dose distribution を treatment plans with CT picture に close わ せ 込 み, integrating さ せ る. (4) build し た dose distribution か ら, The subject や normal tissue へ <s:1> is compared with the line volume を treatment plan と, and the evaluation is 価する. When the annual で は front adenocarcinoma を like と seaborne し て, quality improve さ れ た CBCT portrait に し seaborne て dose calculation を い, cast with the dose distribution を め た. Find the distribution of めた line quantities を, compare と treatment plans, evaluate 価を lines った. The research results of まで まで are を. The domestic <s:1> academic conference で has been presented. Youdaoplaceholder3.

项目成果

深層学習により画質改善したCBCT画像を用いた積算線量分布の構築

使用 CBCT 图像构建累积剂量分布，通过深度学习提高图像质量

• 发表时间: 2022
• 作者: Toyohara;J.;Tago;T.;Fujimaki;R.;Hirano;K.;Iwai;K.;Tanaka;H.;竹中重治，今江禄一，青木淳，松田佳奈子，境紀行，鍛冶静雄，岩永秀幸，山下英臣，阿部修．
• 通讯作者: 竹中重治，今江禄一，青木淳，松田佳奈子，境紀行，鍛冶静雄，岩永秀幸，山下英臣，阿部修．