检索历史 清除

摘要放射治疗中，常规的计算放疗剂量的方法是在放疗前利用计算机断层成像技术(Computed Tomography，CT)对患者采集一套计划CT图像。计划CT图像具有电子密度信息，据此可以计算患者的放疗剂量。随着放疗技术的不断发展，磁共振影像引导放疗技术(Magnetic Resonance Image-Guided Radiotherapy，MRIgRT)逐渐受到欢迎。但磁共振图像不具有电子密度信息，不能直接使用磁共振图像进行放射剂量的计算。为了解决这个问题，本文利用深度学习，基于U-Net网络，结合残差思想，搭建端对端的神经网络模型RUN，通过输入大量训练数据学习从MRI图像到CT图像的映射，从而利用MRI图像合成对应的CT图像。再根据合成CT计算放疗剂量。实验表明，该网络能够有效的将MRI图像转换成接近真实的CT图像，同时相比于其他网络，该网络的收敛速度更快，网络训练所需时间更短。<br>　　基于磁共振影像引导的放疗系统中，采用磁共振成像代替传统的锥形束CT(Cone Beam Computed Tomography，CBCT)成像。为减小患者摆位误差，常使用MRI图像与计划CT进行配准，但跨模态配准效果往往不及同模态配准的效果好。本文针对这个问题，搭建了U-Net，Pix2Pix和CycleGAN三种深度神经网络，学习由CT图像到MRI图像的映射关系。将计划CT图像转换成对应的MRI图像，利用转换得到的MRI图像与摆位MRI图像进行同模态配准。将跨模态配准问题转换成同模态配准问题以解决跨模态配准精度不如同模态配准精度高的问题。通过实验，我们进一步分析了监督学习与非监督学习学习方式对MRI图像合成任务的影响。实验表明，监督学习学习方式的U-Net网络模型在定性分析及定量评价上均优于非监督学习方式的CycleGAN。更进一步，我们将取得最优结果的U-Net模型进行二次优化，再次提升了MRI图像的合成精度。<br>　　本文中，我们利用深度学习，结合多模态转换思想，针对磁共振影像引导放疗中的基于MRI图像的放疗剂量计算和提升患者摆位精度这两个难题设计实验，搭建神经网络模型，并通过实验验证了网络模型的有效性。