An Integrated Biological Optimization framework for proton SBRT FLASH treatment planning allows dose, dose rate, and LET optimization using patient-specific ridge filters
本研究提出IBO-IMPT框架，通过优化患者特异性脊形滤波器实现质子FLASH SBRT的剂量、剂量率和LET同步优化，可提升心肺正常组织的FLASH剂量率体积并保护危机器官。
2022-07-16 physics.med-ph
Quantifying allowable motion to achieve safe dose escalation in pancreatic SBRT
肿瘤运动是胰腺癌立体定向放射治疗（SBRT）安全实施的关键。本研究的目的是使用在患者中测量的肿瘤运动数据来确定安全输送胰腺SBRT的运动幅度限制。使用91组胰腺肿瘤运动数据测量的患者，我们计算了25例胰腺癌患者的运动卷积剂量，并建立了最大的运动允许量，同时满足误差阈值的关键剂量指标。在我们的患者队列中，33/40/50 Gy的PTV的平均[最小-最大]允许运动分别为11.9 [6.3-22.4]、10.4 [5.2-19.1]和9.0 [4.2-16.0] mm。最大允许活动度随着剂量的增加而降低，并且在肿瘤较大的患者中更小。运动对胰腺SBRT的影响在患者之间差异很大，即使在剂量递增的情况下，某些患者也有可能允许更多的运动。在我们的数据集中，6.3 mm的保守限值将确保所有接受33 Gy分5次治疗的患者的安全治疗。
2019-06-04 physics.med-ph
Fast Monte Carlo Simulation for Patient-specific CT/CBCT Imaging Dose Calculation
近来，来自计算机断层成像（CT）或锥形束CT（CBCT）扫描的X射线成像剂量已经成为严重的问题。为了剂量管理的目的，已经提出了患者特异性成像剂量计算。虽然蒙特卡罗（MC）剂量计算可以相当准确，为此目的，它遭受低计算效率。针对这一问题，我们在NVIDIA CUDA平台下的GPU架构上成功开发了MC剂量计算包gCTD，用于快速准确地估计患者在CT或CBCT扫描期间接收的X射线成像剂量。已经特别针对GPU架构开发了技术以实现高计算效率。在均质水体模和异质Zubal头部体模中使用CBCT扫描几何结构进行的剂量计算表明，gCTD和EGSnrc之间具有良好的一致性，表明我们的代码具有准确性。在提高效率方面，发现与EGSnrc相比，gCTD在均质水体模中实现了约400倍的加速，在Zubal体模中实现了约76.6倍的加速。至于绝对计算时间，Zubal体模的成像剂量计算可在约17秒内完成，平均相对标准偏差为0.4%。虽然我们的gCTD代码已经在CBCT扫描的背景下开发和测试，但通过简单的几何修改，它也可以用于评估CT扫描中的成像剂量。
2011-11-15 physics.med-ph
Dosimetric investigation of 103Pd permanent breast seed implant brachytherapy based on Monte Carlo calculations
目的：使用103 Pd的永久性乳房粒子植入体（PBSI）正在成为早期乳腺癌的有效辅助放射技术。然而，临床剂量评价遵循水基TG-43方法及其相当大的近似值。为了临床采用先进的TG-186基于模型的剂量评价，本研究提出了一个全面的研究PBSI考虑目标和正常组织剂量。方法：使用免费开源蒙特卡罗（MC）代码egs_brachy，使用2种类型的虚拟患者模型进行剂量计算：TG 43 sim（模拟TG-43条件：所有水，无种子间衰减）和MCref（来自患者CT的异质组织建模，种子间衰减，植入角度的种子），共35例患者。评估剂量度量对种子方向的敏感性和腺体/脂肪组织分割的阈值。结果：在靶体积中，MCref的D90平均比TG 43 sim低14.1%。相反，MCref的正常组织剂量通常高于TG 43 sim，例如，皮肤D1cm ~ 2降低22%，肋骨Dmax降低82%，心脏D1cm ~ 3降低71%。MCref和TG 43 sim剂量之间的差异在患者队列中以及所考虑的组织和度量中有所不同。剂量对腺体/脂肪组织分割阈值敏感，目标D90差异仅为几个百分点。皮肤剂量对种子方向敏感。结论：TG-43剂量评价通常低估了关键正常器官/组织的剂量，而高估了靶剂量。MCref和TG 43 sim在患者与患者之间存在相当大的差异，这表明患者特异性MC剂量计算的临床采用是有动机的。本文提出的MCref框架为高级TG-1…
2020-12-29 physics.med-ph
A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
随着癌症患者放射治疗中治疗方式的进步，结果得到了改善，但代价是增加了治疗计划的复杂性和计划时间。剂量分布的准确预测将通过指导临床计划优化来缓解这个问题，以节省时间并保持高质量的计划。我们修改了卷积深度网络模型U-net（最初设计用于分割目的），用于从计划靶体积（PTV）和危险器官（OAR）的患者图像轮廓预测剂量。我们表明，作为一个例子，我们能够准确地预测前列腺癌患者的调强放射治疗（IMRT）的剂量，其中平均骰子相似系数为0.91时，比较预测与真实的等剂量体积之间的处方剂量的0%和100%。发现[最大，平均]剂量的绝对差异的平均值低于处方剂量的5%，具体而言，各结构为[1.80%，1.03%]（PTV）、[1.94%，4.22%]（膀胱）、[1.80%，0.48%]（身体）、[3.87%，1.79%]（左侧股骨头）、[5.07%，2.55%]（右侧股骨头）和[1.26%，1.62%]（直肠）处方剂量。因此，我们设法从患者的PTV和OAR轮廓映射所需的辐射剂量分布。作为一个额外的优点，相对较少的数据被用于本文所述的技术和模型。
2018-11-29 cs.AI cs.CV cs.LG
A Method of Rapid Quantification of Patient-Specific Organ Dose for CT Using Coupled Deep-Learning based Multi-Organ Segmentation and GPU-accelerated Monte Carlo Dose Computing
目的：本文描述了一种新方法，在使用基于GPU的Monte Carlo代码计算器官剂量之前，应用深度学习算法从3D断层扫描CT图像中自动分割辐射敏感器官。方法：训练用于器官分割的深度卷积神经网络（CNN），以从CT自动描绘辐射敏感器官。使用基于GPU的Monte Carlo剂量引擎（ARCHER）来推导由受试者的CT扫描制成的体模的CT剂量，然后我们能够计算每个分割器官的患者特定CT剂量。通过使用相对剂量误差（RDE）对ARCHER计算的器官剂量与放射科医生进行手动分割来验证所开发的工具。剂量计算结果也进行了比较，从人口平均幻影器官剂量，以证明通过使用开发的工具实现的改进。在本研究中，使用了两个数据集：肺部CT分割挑战2017（LCTSC）数据集，其中包含60名胸部CT扫描患者，每个患者有5个分割器官;胰腺CT（PCT）数据集，其中包含43名腹部CT扫描患者，每个患者有8个分割器官。新方法的五重交叉验证在两个数据集上进行。结果如下：与传统的基于总体平均体模的器官剂量评估方法相比，该方法在所有器官上实现了更小的RDE范围，分别为-4.3%到1.5% vs -31.5%到33.9%（肺），-7.0%到2.3% vs -15.2%到125.1%（心脏），-18.8% 40. 2% vs -10.3% 124. 1% LCTSC数据集中的食管（食管）和-5.6%的1.6% vs -20.3%…
2019-09-29 physics.med-ph
Pitfalls in interventional X-ray organ dose assessment -- combined experimental and computational phantom study: application to prostatic artery embolization
随着X射线辐射防护和剂量管理在介入放射学中不断获得关注，新的程序通常使用拟人模型进行前瞻性剂量研究以确定预期剂量值。由于固有的不确定性，这些剂量值可能无法进行患者特定风险评估。因此，本研究的目的首先是量化这些参数对局部X射线剂量的影响，以评价其在评估患者特定器官剂量中的相关性。其次，该知识进一步使得能够验证模拟方法，其允许采用生理材料模型和患者特定的几何形状。使用MOSFET剂量计进行体模剂量测定实验，再现前列腺动脉栓塞（PAE）中的成像场景。测定了前列腺、膀胱、结肠和皮肤的相关器官等效剂量。通过移动X射线源，再现了患者可能的小位移引起的剂量偏差。通过对两种常用体模的分析，研究了材料差异引起的剂量偏差。我们重建的实验，使用蒙特卡罗（MC）模拟，参考男性的几何形状，和不同的材料属性。总体而言，MC模拟器官剂量值与大多数情况下的测量值一致。X射线源相对于体模的边缘位移导致器官剂量值的6%至135%的偏差，而皮肤剂量保持相对恒定。关于体模材料成分的影响，在所有模拟体模中普遍低估了12%至20%的内部器官剂量值。然而，至少对于两种材料，可以以1%至8%的低偏差估计皮肤剂量。前瞻性参考剂量研究可能无法扩展到精确的患者特异性剂量评估。
2020-05-07 physics.med-ph
Effects of Tissue Material Properties on X-Ray Image, Scatter and Patient Dose Determined using Monte Carlo Simulations
随着患者和工作人员X射线辐射意识的提高，已经做出了许多努力来开发准确的患者剂量估计方法。迄今为止，蒙特卡罗（MC）模拟被认为是模拟X射线辐射与物质相互作用的金标准。然而，MC模拟结果对图像引导介入手术的实验或临床设置变化的敏感性仅进行了有限的研究。特别是，对患者材料成分的影响研究不足。这主要是因为这些方法通常在使用单个拟人化体模的体模研究中得到确认。因此，在本研究中，我们研究了患者材料参数映射对MC X射线剂量模拟结果的影响。一个计算体模几何构造和三种不同的常用材料组成映射。我们使用MC工具包Geant 4模拟介入装置中的X射线辐射，并比较了剂量沉积、散射分布和所得X射线图像的差异。评价显示，不同材料成分映射之间的差异高达20%，涉及直接辐照的器官。这些结果强调了临床设置中MC模拟的材料成分映射标准化的必要性。
2020-05-07 physics.med-ph
Monte Carlo-based estimation of patient absorbed dose in 99mTc-DMSA, -MAG3, and -DTPA SPECT imaging using the University of Florida (UF) phantoms
SPECT成像是用于检查肾脏疾病的常见方式之一。放射性药物如99 mTc-MAG 3、99 mTc-DTPA和99 mTc-DMSA通常用于儿科患者。人们普遍认为，由于儿童的生长速度，他们的器官比成人对辐射更敏感。因此，评估儿童的吸收剂量以避免不可恢复的损害是非常重要的。在这项工作中，通过使用蒙特卡罗模拟，对4岁、8岁、11岁和14岁的患者，估算了上述放射性药物SPECT成像中儿童不同器官的吸收剂量。根据特定的放射性药物摄取模式和与年龄相关的人体模型估计患者的吸收剂量。为此，我们使用佛罗里达大学（UF）的体素明智的婴儿幻影和蒙特卡罗模拟的儿科患者在4，8，11，14岁。根据ICRP 128数据评价了剂量测定结果的准确性。使用99 mTc-DMSA和99 mTc-MAG 3放射性药物，4岁和14岁儿童肾脏吸收的最高和最低剂量分别为0.48 mGy-MBq和0.0042 mGy-MBq。此外，在这些情况下，与参考ICRP数据相比，模拟结果的相对误差分别为12.1%和0.95%。模拟结果与ICRP 128数据吻合较好。结果表明：99 mTc-DMSA的最大吸收剂量为肾吸收剂量和99 mTc-DMSA的最大吸收剂量。当使用99 mTc-DMSA和99 mTc-MAG 3（在正常肾功能下）时，器官中的最高和最低吸收剂量分别出现。另一方面，结果表明器官接受的剂量随着年龄的增长而减少。
2021-02-28 physics.med-ph
A novel method for the evaluation of uncertainty in dose volume histogram computation
剂量体积直方图是一个有用的工具，在国家的最先进的放射治疗计划，它是必不可少的是要知道他们的局限性。一旦模型被优化，由治疗计划系统计算的剂量分布受到若干不确定性来源的影响，诸如算法限制、用于对射束建模的数据中的测量不确定性以及测量剂量与计算剂量之间的残余差异。为了考虑不确定性的影响，提出了一种概率方法，并引入了一种新的直方图，剂量预期体积直方图。使用每个点处剂量的概率分布，找到接收等于或大于特定值的吸收剂量的感兴趣区域中的体积的预期值。假设该点剂量的概率分布为矩形，并给出了实际计算的关系。该方法适用于一组剂量体积直方图的不同区域的利益为6脑患者，8肺患者，8骨盆患者和6前列腺患者计划调强放射治疗。这些结果表明剂量计算的不确定性如何影响PTV覆盖范围，并在较小程度上影响危及器官的剂量。这种方法可以量化这些影响。
2007-06-11 physics.med-ph
Study on the GEANT4 code applications to the dose calculation using imaging data
GEANT4代码在医疗领域的使用越来越多。有各种研究使用成像数据使用GEANT 4代码计算患者剂量分布。本研究采用基于DICOM数据的蒙特卡罗模拟计算患者体内的吸收剂量。GEANT 4代码中配备了各种可视化工具，以显示探测器结构，但显示DICOM图像存在限制。另外，难以在患者的成像数据上显示剂量分布。最近，gMocren代码，体可视化工具GEANT4模拟，已被开发并用于体可视化的图像文件。在这项研究中，基于成像数据的吸收剂量分布的患者使用gMocren代码。用X射线剂量学和胶片剂量学方法对计算结果进行了验证。
2015-03-17 physics.med-ph
Dose evaluation of fast synthetic-CT generation using a generative adversarial network for general pelvis MR-only radiotherapy
为了实现仅磁共振（MR）放射治疗并促进人体辐射衰减的建模，需要生成合成CT（sCT）图像。考虑到MR引导放射治疗和在线自适应重新计划的应用，sCT生成应在几分钟内发生。这项工作旨在评估现有的深度学习网络是否可以快速生成sCT图像，用于整个骨盆中精确的MR剂量计算。对91例接受外照射放疗的前列腺癌、直肠癌和宫颈癌患者的数据进行了研究，同时采集CT和MRI用于患者模拟。Dixon重建的水、脂肪和从常规双梯度回波序列获得的同相图像用于生成sCT图像。在32名前列腺癌患者的2D横切片上以配对方式训练条件生成对抗网络（cGAN）。在其余患者上测试训练的网络以生成sCT图像。对于测试集中的30例患者，在sCT图像上进行了临床计划的剂量重新计算。通过比较基于体素的剂量差异、伽马和剂量体积直方图（DVH）分析来评价剂量分布。在GPU和CPU上生成单个患者体积的sCT分别需要5.6 s和21 s。平均而言，sCT图像导致靶区剂量较高，最大为0.3%。结果表明，使用在前列腺癌患者上训练的cGAN生成的sCT图像进行精确的基于MR的剂量计算对于整个骨盆是可行的。sCT生成足够快，可以集成到MR引导的放射治疗工作流程中。
2018-08-16 physics.med-ph
A framework for quantitative analysis of Computed Tomography images of viral pneumonitis: radiomic features in COVID and non-COVID patients
Università degli Studi di Milano（米兰大学）；ASST Grande Ospedale Metropolitano Niguarda（ASST 大都会大医院尼瓜达）；INFN Sezione di Milano（意大利国家核物理研究院米兰分部）
目的：优化在COVID-19大流行危机期间实施的临床数据收集和CT图像处理流程，并为不同的病毒性肺炎开发人工智能模型。方法：对1028例痰涂片阳性患者的胸部CT图像进行自动分割，提取肺部信息。应用Python语言开发的高斯模型，根据每张图像的两个肺和四个几何细分中肺CT数的直方图分布，计算描述肺的通气良好和病变部分的定量指标（QM）。此外，使用PyRadiomic工具从双侧肺提取一阶和二阶放射组学特征（RF）。使用QM和RF开发了4种不同的多层感知器（MLP）分类器，用于区分COVID（n=646）和非COVID（n=382）病毒性肺炎患者的图像。结果：高斯模型应用于肺部CT直方图，正确描述了94%的患者的健康实质。作为受试者工作曲线的积分，COVID诊断模型的准确度在0.76-0.87之间。最佳诊断性能与基于一阶和二阶RF的模型相关，LASSO回归后具有21个相关特征，4倍交叉验证后的准确度为0.81 $\pm$ 0.02结论：尽管这些结果是用来自单中心的CT图像获得的，但开发并优化了从CT图像提取有用定量指标的平台。开发了四种基于人工智能的模型，用于对COVID和非COVID病毒性肺炎患者进行分类，并进行了比较，显示出整体良好的诊断性能
2021-09-28 cs.CV eess.IV physics.med-ph
Comprehensive Evaluations of Cone-beam CT dose in Image-guided Radiation Therapy via GPU-based Monte Carlo simulations
锥形束CT（CBCT）已广泛用于图像引导放射治疗（IGRT）中的患者设置。CBCT扫描的辐射剂量已成为临床关注的问题。本研究的目的是：1）为Varian机载成像（OBI）系统调试基于GPU的蒙特卡罗（MC）剂量计算包gCTD，并测试计算准确度; 2）在典型IGRT扫描方案中定量评价OBI系统的CBCT剂量。我们首先在水模中进行剂量测量。gCTD中使用的X射线源模型参数通过调试过程获得。通过比较计算值与水中和CTDI模型中的测量值，证明了gCTD的准确性。25例脑癌患者用于研究标准剂量头部方案中的剂量，25例前列腺癌患者用于研究骨盆方案和骨盆聚光灯方案中的剂量。计算每个器官的平均剂量。还计算具有最高剂量的2%体素的平均剂量以量化最大剂量。结果发现，对一个器官的平均剂量值有很大的不同患者。此外，器官内的剂量分布是高度不均匀的。最大剂量比平均剂量高1~3倍，取决于器官，由于骨结构中的极高剂量区域，整个身体的最大剂量高达8倍。在我们的研究中也观察到了高计算效率，例如对于典型情况，MC剂量计算时间小于5分钟。
2013-09-19 physics.med-ph
Longitudinal laboratory testing tied to PCR diagnostics in COVID-19 patients reveals temporal evolution of distinctive coagulopathy signatures
从实验室检测结果及其与临床结果的三角测量中进行时间推断，如电子健康记录（EHR）中提供者注释的相关非结构化文本中所述，是推进精准医学不可或缺的一部分。在这里，我们研究了181名COVID阳性患者和7，775名COVID阴性患者，在为期两个月的观察期内，他们在194次检测中接受了130万次实验室检测，观察期以SARS-CoV-2 PCR检测日期为中心。我们发现，与临床表现和诊断测试时的COVID阴性患者相比，COVID阳性患者往往具有较高的血浆纤维蛋白原水平和类似的低血小板计数，两个队列中约25%的患者显示完全血小板减少症。然而，随着感染的发展，这些指标显示出相反的纵向趋势，与COVID阴性队列相比，纤维蛋白原下降，血小板计数增加，分别达到更低和更高的水平。我们的EHR增强治疗工作表明，少数患者在PCR检测日期后发生血栓栓塞事件，包括罕见的弥漫性血管内凝血病（DIC）病例，大多数患者缺乏通常在消耗性凝血病中观察到的血小板减少。这些时间趋势首次通过数字框架呈现了COVID-19相关凝血病（CAC）的细粒度分辨率，该框架将纵向实验室测量与结构化药物数据和神经网络驱动的非结构化EHR结果提取相结合。这项研究证明了精准医学平台如何帮助每个患者随着时间的推移了解特定的凝血特征，以实现更好地个性化血栓预防方案的目标。
2020-05-21 eess.IV physics.med-ph q-bio.QM
Patient-Specific Modeling of Dose-Escalated Proton Beam Therapy for Locally Advanced Pancreatic Cancer
本研究针对局部晚期胰腺癌，通过模拟不同肿瘤尺寸的患者场景，对比剂量递增质子束治疗与立体定向消融放疗的效果，发现肿瘤≤4.5cm的患者可从该质子治疗中获显著获益，需采取患者特异性方案。
2025-07-29 physics.med-ph
Three-Dimensional Radiotherapy Dose Prediction on Head and Neck Cancer Patients with a Hierarchically Densely Connected U-net Deep Learning Architecture
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
头颈部（H&N）癌症患者的治疗计划过程被认为是最复杂的，由于大的目标体积，多个处方剂量水平，以及许多辐射敏感的关键结构附近的目标。该部位的治疗计划需要高水平的人类专业知识和大量的努力来制定个性化的高质量计划，需要长达一周的时间，这降低了肿瘤控制和患者生存的机会。为了解决这个问题，我们建议研究一种基于深度学习的剂量预测模型，分层密集连接U网，它基于两种非常流行的网络架构：U网和DenseNet。我们发现，这种新的架构是能够准确和有效地预测剂量分布，优于其他两个模型，标准U-网络和DenseNet，在均匀性，剂量一致性，剂量覆盖测试数据。对所有有风险的器官进行平均，我们提出的模型能够预测有风险的器官的最大剂量在6.3%以内，平均剂量在测试数据的处方剂量的5.1%以内。其他模型，标准U-net和DenseNet，表现较差，平均器官风险最大剂量预测误差分别为8.2%和9.3%，平均平均剂量预测误差分别为6.4%和6.8%。此外，我们提出的模型使用的可训练参数比标准U型网络少12倍，预测患者剂量的速度比DenseNet快4倍。
2019-02-04 cs.CV cs.LG physics.med-ph
Planned, delivered and variable RBE dose difference analysis for a patient cohort with base-of-tongue cancer treated with IMPT
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）；Emory University（埃默里大学）
针对舌根癌患者，分析质子治疗中计划剂量与递送剂量的差异，并探讨可变RBE剂量与恒定RBE 1.1的差异及其对计划评估的影响。
2026-06-11 physics.med-ph
Three-Dimensional Dose Prediction for Lung IMRT Patients with Deep Neural Networks: Robust Learning from Heterogeneous Beam Configurations
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Université catholique de Louvain（鲁汶天主教大学）；Cliniques universitaires Saint-Luc（圣吕克大学附属医院）；KU Leuven（鲁汶大学）
使用神经网络直接预测三维剂量分布的自动规划正变得流行。然而，现有的方法仅使用患者解剖结构作为输入，并假设训练数据库中所有患者的射束配置一致。这项工作的目的是开发一个更通用的模型，除了患者解剖结构外，还考虑了可变射束配置，以实现更全面的自动规划，具有潜在的更容易的临床实施，而不需要针对不同的射束设置训练特定模型。
2019-04-11 cs.AI cs.CV cs.LG
A Feasibility Study on Deep Learning Based Individualized 3D Dose Distribution Prediction
目的：放射治疗计划是一个反复试验的过程，通常很耗时。基于特定解剖结构的最佳剂量分布可以通过预先训练的深度学习（DL）模型来预测。然而，剂量分布通常不仅基于患者特定的解剖结构进行优化，而且还基于医生在计划靶体积（PTV）覆盖和风险器官（OAR）保留之间的优选权衡进行优化。因此，期望允许医师微调基于患者解剖结构预测的剂量分布。在这项工作中，我们开发了一个DL模型来预测个体化的三维剂量分布，不仅使用解剖结构，而且还使用所需的PTV/OAR权衡，如剂量体积直方图（DVH）所表示的，作为输入。研究方法：所需的DVH，微调医生从最初预测的DVH，首先投影到帕累托表面上，然后转换成一个矢量，然后与掩模特征图连接。用于训练的网络输出是对应于Pareto最优DVH的剂量分布。训练/验证数据集包含77名前列腺癌患者，测试数据集包含20名患者。结果：训练后的模型可以预测近似Pareto最优的3D剂量分布。我们计算了PTV和所有OAR的预测和优化剂量分布之间的差异，作为定量评价。平均剂量的最大平均误差约为处方剂量的1.6%，最大剂量的最大平均误差约为1.8%。结论：在这项可行性研究中，我们开发了一个3D U-Net模型，将解剖结构和所需的DVH作为输入，以预测个性化的3D剂量分布。预测的剂量分布可作为剂量师和医生快速制定临床可接受的治疗计划的参考。
2021-01-13 physics.med-ph
Automated lung segmentation from CT images of normal and COVID-19 pneumonia patients
Shahid Sadoughi University of Medical Sciences（沙希德·萨杜基医科大学）；Mashhad University of Medical Sciences（马什哈德医科大学）；Geneva University Hospital（日内瓦大学医院）
自动语义图像分割是定量图像分析和疾病诊断的重要步骤。本研究调查了基于深度学习的模型在正常和COVID-19患者CT图像肺部分割中的性能。1200例确诊的COVID-19病例的胸部CT图像和相应的肺罩用于训练残余神经网络。通过CT图像的半自动/手动分割生成参考肺掩模。该模型的性能在两个不同的外部测试数据集上进行了评估，包括120名正常和COVID-19受试者，并将这些组的结果进行了比较。计算不同的评价指标，如骰子系数（DSC），平均绝对误差（MAE），相对平均HU差异，相对体积差异，以评估预测肺掩模的准确性。所提出的深度学习方法对正常受试者和COVID-19受试者分别实现了0.980和0.971的DSC，证明了预测和参考肺掩模之间的显著重叠。此外，正常和COVID-19受试者的MAE分别为0.037 HU和0.061 HU，相对平均HU差异分别为-2.679%和-4.403%，相对体积差异分别为2.405%和5.928%。正常患者和COVID-19患者的肺分割的可比性能表明，在存在COVID-19诱导的感染的情况下，模型用于识别肺组织的准确性（尽管观察到正常患者的性能略好）。所提出的基于深度学习的模型所取得的令人鼓舞的结果证明了其在COVID-19肺部分割中的可靠性。这一先决条件将导致更有效和更强大的肺炎病变分析。
2021-04-05 cs.CV eess.IV physics.med-ph
Patient-Specific CT Doses Using DL-based Image Segmentation and GPU-based Monte Carlo Calculations for 10,281 Subjects
本研究结合深度学习自动分割与GPU加速蒙特卡罗模拟，首次对10,281例体检人群进行个体化CT器官剂量计算，揭示参考体模方法存在显著剂量误差，为改进辐射风险评估提供大数据依据。
2024-09-19 physics.med-ph
Deep learning reconstruction of digital breast tomosynthesis images for accurate breast density and patient-specific radiation dose estimation
Radboud University Medical Center（拉德堡德大学医学中心）；Netherlands Cancer Institute（荷兰癌症研究所）；The University of Chicago（芝加哥大学）；University of Pennsylvania（宾夕法尼亚大学）；Lund University（隆德大学）；Vall d’Hebron Institute of Oncology（巴尔德希伯伦肿瘤研究所）；University of Barcelona（巴塞罗那大学）；Dutch Expert Centre for Screening (LRCB)（荷兰筛查专家中心）
针对乳腺X线摄影无法准确估计乳腺密度和患者特异性辐射剂量的问题，提出基于深度学习的数字乳腺断层合成重建算法DBToR，通过展开近端-对偶优化并引入乳腺厚度先验知识，实现了高精度且无偏的密度与剂量估计。
2021-03-29 cs.LG eess.IV math.OC
A novel unsupervised covid lung lesion segmentation based on the lung tissue identification
Shahid Sadoughi University of Medical Sciences（沙希德·萨杜吉医科大学）；Mashhad University of Medical Sciences（马什哈德医科大学）；Geneva University Hospital（日内瓦大学医院）
本研究旨在评估一种新的基于无监督深度学习的框架的性能，用于从Covid患者的CT图像中自动分割感染病变。在第一步中，两个残差网络被独立训练，以监督的方式识别正常和新冠肺炎患者的肺组织。这两个模型分别被称为DL-Covid和DL-Norm，用于Covid-19和正常患者，生成用于肺组织识别的逐体素概率图。为了检测Covid病变，通过DL-Covid和DL-Norm模型处理Covid患者的CT图像，以获得两个肺部概率图。由于DL-Norm模型不熟悉肺部内的Covid感染，因此该模型为病变分配的概率低于DL-Covid模型。因此，新冠病毒感染的概率图可以通过从DL-Covid和DL-Norm模型获得的两个肺部概率图相减来生成。使用50张Covid-19 CT图像的手动病变分割来评估无监督病变分割方法的准确性。在外部验证数据集中，正常和Covid患者的肺部分割分别获得了0.985和0.978的Dice系数。通过所提出的无监督方法进行感染分割的定量结果显示，Dice系数和Jaccard指数分别为0.67和0.60。对所提出的用于Covid-19感染性病变分割的无监督方法的定量评估显示出相对令人满意的结果。由于该框架不需要任何注释数据集，因此可以用于为专用于噪声和/或弱注释数据集的监督机器学习算法生成非常大的训练样本。
2022-02-24 cs.CV eess.IV physics.med-ph
A semi-automatic ultrasound image analysis system for the grading diagnosis of COVID-19 pneumonia
Tsinghua University（清华大学）；Capital Medical University（首都医科大学）；Beijing Ditan Hospital（北京地坛医院）
本文提出了一种基于肺部超声（LUS）图像中特定图像模式的定量表征的半自动系统，以评估COVID-19肺炎患者的肺部状况，以及区分严重/非严重病例。具体地，从每个LUS图像提取四个参数，即胸膜线的厚度（TPL）和粗糙度（RPL），以及B线的累积宽度（AWBL）和声学系数（ACBL）。本研究入组了27例患者，其中中度患者13例，重度患者7例，危重患者7例。此外，重度和危重患者被视为重度病例，中度患者被视为非重度病例。比较各组间的生物标志物。每个单一生物标志物和具有所有生物标志物作为输入的分类器分别用于严重病例和非严重病例的二元诊断。该分类器在所有比较的方法中实现了最佳的分类性能（受试者工作特征曲线下的面积= 0.93，灵敏度= 0.93，特异性= 0.85）。所提出的图像分析系统可潜在地应用于COVID-19肺炎患者的分级和预后评估。
2021-11-04 cs.CV eess.IV physics.med-ph
Haralick texture feature analysis for Monte Carlo dose distributions of permanent implant prostate brachytherapy
本研究利用Haralick纹理分析对137名前列腺近距离放射治疗患者的3D吸收剂量分布进行定量表征，发现其特征与前列腺内钙化体积百分比强相关，能弥补传统D90指标在空间分布表征上的不足。
2024-09-22 physics.med-ph
Long short-term memory networks for proton dose calculation in highly heterogeneous tissues
基于LSTM网络的应用设计了一种新的剂量计算方法，该网络将3D患者/体模几何结构处理为2D计算机断层成像输入切片序列，产生形成相应3D剂量分布的相应2D切片序列。LSTM网络可以在一个方向上有效地传播信息，从而产生一个可以正确模拟物质中质子相互作用机制的模型。该研究集中在预测单个笔形射束水平上的剂量，避免了由数千笔形射束组成的治疗计划中的平均效应。此外，这种方法允许直接集成到当今的治疗计划系统的逆向计划优化过程中。使用蒙特卡罗模拟，通过模拟从随机机架角度穿过患者几何结构撞击的不同笔形射束，为体模和患者研究准备了真实训练数据。对于模型训练，为体模研究准备了10'000个蒙特卡罗模拟，为患者研究准备了4' 000个模拟。经过训练的LSTM模型能够在体模研究的预留测试集上实现99.29%的伽马指数通过率（[0.5%，1 mm]）准确度，并且在患者研究的预留测试集上实现99.33%的伽马指数通过率（[0.5%，2 mm]）。每个笔形波束在6-23 ms内获得这些结果。使用Topas的平均蒙特卡罗模拟运行时间为1160 s。通过对5名以前未见过的肺癌患者进行测试，验证了模型的泛化能力。LSTM网络非常适合质子治疗剂量计算任务。然而，需要进行进一步的工作，以将所提出的方法推广到临床应用，主要是针对各种能量、患者部位和CT分辨率/扫描仪实施。
2020-06-10 physics.med-ph
Skin dose in breast radiation therapy: Monte Carlo calculations from deformed vector fields (DVF)-driven CT images
针对乳腺放疗中皮肤剂量难以准确计算的问题，提出利用DVF驱动CT和3D扫描数据进行Monte Carlo逐疗程剂量重算，并通过与TPS比较及60例临床研究验证。
2024-10-29 physics.med-ph
Volumetric modulated arc therapy or step-shoot IMRT? A 4D dosimetry study of motion effect in lung SBRT using a dynamic virtual patient model
本研究利用动态虚拟患者模型评估肺SBRT中运动相互作用对IMRT和VMAT计划的影响，发现VMAT比IMRT更不易受运动相互作用影响，且计划参数选择对剂量差异具有显著作用。
2025-01-30 physics.med-ph
Development of a GPU-accelerated Monte Carlo dose calculation module for nuclear medicine, ARCHER-NM: Demonstration for a PET/CT imaging procedure
本文介绍了一个蒙特卡罗（MC）剂量计算模块的开发和验证，专用于器官剂量计算的患者接受核医学（NM）的内部辐射暴露，涉及18 F-FDG PET/CT检查。这个新模块扩展了超过10年的ARCHER项目，该项目通过添加专用NM源定义功能开发了GPU加速的MC剂量引擎。为了验证代码，我们比较了剂量分布从0.511-MeV点光子源计算的水体模以及患者PET/CT体模对一个经过良好测试的MC代码，门。水模结果显示出良好的一致性，这表明新NM代码中的辐射物理模块是足够的。为了证明ARCHER-NM的临床实用性和优势，使用新代码计算了一组成年男性NM患者的PET/CT数据。CT数据集中的放射敏感器官使用称为DeepViewer的基于CNN的工具进行分割。PET图像强度图被转换为放射性分布，以允许在体素水平进行MC辐射传输剂量计算。计算PET图像采集期间的剂量率图和相应的统计不确定性。18F-FDG PET显像患者的剂量率结果表明，ARCHER-NM的结果与GATE的结果在0.58%至4.11%范围内吻合良好。最令人印象深刻的是，ARCHER-NM在不到0.5分钟的时间内获得了这样的结果，而GATE需要376分钟。这是第一项针对临床上真实的18F-FDG PET/CT成像病例（涉及全身PET/CT图像的自动分割）的GPU加速患者特定MC内部辐射剂量率计算的研究。这项研究表明，现代计算工具-ARCH…
2021-11-23 physics.med-ph
Quantification of internal dosimetry in PET patients II: Individualized Monte Carlo-based dosimetry for [18F]Fluorocholine PET
目的：在接受诊断性FCH-PET研究的患者中，采用Monte Carlo方法获得个体化内部剂量，并将此类剂量与MIRD方法计算结果进行比较。方法：17名男性患者队列在静脉注射平均FCH活性为244.3 MBq后进行成像。对所得到的PET/CT图像进行处理，以生成个性化的输入源和几何文件，用于使用MC工具GATE进行剂量计算。由此产生的剂量估计进行了研究，并与MIRD方法与两种不同的计算phanomaly进行了比较。如可能，对S因子进行质量校正。对不确定性的潜在来源进行了仔细检查：部分身体图像、膀胱排空和生物动力学建模的影响。结果如下：我们的方法和MIRD方法之间的剂量差异很大，通常在$\pm$ 25%的范围内，在某些情况下高达$\pm$ 120%。质量缩放显示出改善，特别是对于无壁和高摄取组织。膀胱排空的模拟显示，除前列腺外，对其他器官的剂量影响可忽略不计。基于部分PET/CT图像（腿部除外）的剂量测定导致高估了骨骼、皮肤和剩余组织的平均剂量，其他器官/组织的差异较小。与FCH的生物活性相关的估计不确定性在高吸收器官中引入了$\pm$ 10%范围内的累积活性变化。结论：MC方法允许比MIRD方法更高程度的剂量测定个体化，这在某些情况下导致剂量值的重要差异。基于单个部分PET研究的FCH-PET剂量测定似乎是可行的，因为FCH具有特定的生物学特性，尽管可能需要应用一些校正因子来估计平…
2022-01-25 physics.med-ph
Contour-informed inter-patient deformable registration of Head-and-Neck patients
本研究提出轮廓引导的CPT-DIR算法，通过集成轮廓正则化改善头颈患者间可变形配准精度，在几何和剂量映射上优于B样条，为VBA提供更可靠的剂量对齐。
2025-09-25 physics.med-ph
DiffDP: Radiotherapy Dose Prediction via a Diffusion Model
School of Computer Science, Sichuan University（四川大学计算机学院）；School of Computer Science, Chengdu University of Information Technology（成都信息工程大学计算机学院）
针对现有深度学习放射治疗剂量预测方法的过度平滑问题，提出基于扩散的DiffDP模型，通过前向加噪、反向去噪过程结合结构编码器提取解剖信息，在直肠癌数据集上验证了方法的有效性。
2023-07-19 cs.CV eess.IV physics.med-ph
iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry
Duke University（杜克大学）
目的：本研究的目的是开发和验证一种新的框架，iPhantom，自动创建患者特定的幻影或数字双胞胎（DT）使用患者的医学图像。该框架适用于评估辐射剂量的放射敏感器官在CT成像的个人患者。方法：iPhantom使用为多器官CT分割开发的基于学习的模型，从患者CT图像中分割选定的锚定器官（例如肝脏、骨骼、胰腺）。具有挑战性的器官分割（例如肠）从匹配的体模模板，使用为多器官体模体素开发的仿射配准模型。由此产生的全患者体模用于评估常规CT检查期间的器官剂量。结果：iPhantom在XCAT（n=50）和独立临床（n=10）数据集上均得到验证，准确度相似。iPhantom精确地预测了所有器官位置，具有良好的准确度，对于锚定器官，Dice相似系数（DSC）>0.6，对于所有其他器官，DSC为0.3-0.9。iPhantom对大多数器官显示出小于10%的剂量误差，这明显优于最先进的基线方法（20-35%的剂量误差）。结论：iPhantom能够自动和准确地创建患者特定的体模，并首次为CT剂量测定提供充分和自动的患者特定剂量估计。重要性：新框架通过自动化将CHP的创建和应用提升到单个CHP的水平，实现更广泛和精确的器官定位，为临床监测、个性化优化和大规模研究铺平道路。
2020-08-20 cs.CV eess.IV physics.med-ph
Incorporating human and learned domain knowledge into training deep neural networks: A differentiable dose volume histogram and adversarial inspired framework for generating Pareto optimal dose distributions in radiation therapy
UT Southwestern Medical Center（西南大学医学中心）
我们提出了一种新的特定于域的损失，这是一种基于剂量体积直方图的可微分损失函数，并将其与对抗性损失相结合，用于训练深度神经网络，以生成帕累托最优剂量分布。采用均方误差（MSE）损失、剂量体积直方图（DVH）损失和对抗性（ADV）损失对神经网络模型的4个实例进行训练：1）MSE、2）MSE+ADV、3）MSE+DVH和4）MSE+DVH+ ADV。通过对权衡权重进行伪随机化，为每位患者生成1200个Pareto曲面计划（总计84，000个计划）。我们将数据分为54个训练，6个验证和10个测试患者。每个模型都训练了100，000次迭代，批量大小为2。每个模型的预测时间为0.052秒。定量方面，MSE+DVH+ADV模型的预测误差最小，分别为0.038（构象）、0.026（同质性）、0.298（R50）、1.65%（D95）、2.14%（D98）、2.43%（D99）。MSE模型的最差预测误差分别为0.134（构象）、0.041（同质性）、0.520（R50）、3.91%（D95）、4.33%（D98）、4.60%（D99）。对于平均剂量PTV误差和最大剂量PTV、身体、膀胱和直肠误差，MSE+DVH+ADV优于所有其他模型。所有模型的预测值的平均值和最大剂量误差分别小于2.8%和4.2%。专家的人类领域特定知识可以是性能改进的最大驱动力，而对抗学习可以用于进一步捕获细微差别的特征。实时预…
2019-12-07 cs.CV cs.LG eess.IV
Range of Normalized Glandular Dose for Mammography Using Patient-Specific Glandular Fractions
Louisiana State University（路易斯安那州立大学）；Mary Bird Perkins Cancer Center（玛丽·伯德·珀金斯癌症中心）
提出一种从投影导出的腺体分数图估计患者特异性标准化腺体剂量（DgN）范围的方法，通过Siddon射线追踪模拟腺体组织深度变化，发现DgN可因深度差异变化达三倍，中央放置提供保守剂量估计。
2026-06-09 physics.med-ph
Dose Delivery Concept and Instrumentation
放射治疗的目的是在尽可能保护周围组织的同时，向肿瘤提供规定量的剂量。在带电粒子治疗中，输送规定剂量相当于在照射场的每个位置输送规定数量的给定能量的离子。准确的输送是由剂量输送（DD）系统来实现的，该系统在患者进入之前对射束进行整形、引导和控制。大多数早期DD系统通过使用不同的器械（主要是患者特定器械）提供均匀的横向剂量分布，这些器械放置在射束线中以形成三维最终目标剂量。最近，开发了使用数千个窄射束以明确定义的能量提供高度适形剂量分布的系统，其具有先进的扫描磁体和实时射束监测器，而无需患者特定的硬件。本讲座将涵盖一般剂量输送概念以及主要取决于束流输送技术和粒子和加速器类型的不同DD仪器。本文将介绍世界上一些具有代表性的DD和束流监测系统。
2018-02-14 physics.acc-ph physics.med-ph
Generating Pareto optimal dose distributions for radiation therapy treatment planning
放射疗法治疗计划目前需要在计划器和治疗计划系统之间以及在计划器和医生之间进行多次试错迭代以进行讨论/咨询。医生对特定患者的偏好无法轻易量化并准确传达给计划者。在这项研究中，我们提出了一种实时体积帕累托表面剂量生成深度学习神经网络，可以在医生分割后使用，添加有形和可量化的终点来描绘规划器。从70名前列腺患者中，我们首先生成了84，000个调强放射治疗计划（每个患者1，200个计划），对Pareto曲面进行采样，代表了计划靶体积（PTV）和危险器官（OAR）之间的各种权衡，包括膀胱，直肠，左股骨，右股骨和身体。我们将数据分为10名测试患者和60名训练/验证患者。然后，我们训练了一个分层密集连接的卷积U网（HD U网），以获取PTV和代表OAR掩码和权重的回避图，并预测优化计划。HD U-net能够准确预测3D Pareto最佳剂量分布，平均[平均值，最大值]剂量误差为[3.4%，7.7%]（PTV），[1.6%，5.6%]（膀胱），[3.7%，4.2%]（直肠），[3.2%，8.0%]（左股骨）、[2.9%，7.7%]（右股骨）和[0.04%，5.4%]（身体）处方剂量。PTV剂量覆盖预测也非常相似，误差为1.3%（D98）和2.0%（D99）。均匀性也相似，平均相差0.06。神经网络可以在1.7秒内预测剂量。临床上，优化和剂量计算要慢得多，需要5-10分钟。
2019-07-31 math.OC physics.med-ph
Monte Carlo study for designing a dedicated `D'-shaped collimator used in the external beam radiotherapy of retinoblastoma patients
目的：本文的目的是提出一种在埃森大学医院用于视网膜母细胞瘤治疗的D形准直器的修改版本，该版本进一步减小了辐射场，其范围可降低放射诱导的继发性恶性肿瘤的风险。新的专用D形准直器更容易构建，并且产生的剂量分布仅在射野大小上与当前使用的准直器获得的剂量分布不同。研究方法：用蒙特卡罗程序PENMENTAL PE研究了准直器结构元素对吸收剂量分布的影响。模拟了通过在6 MV下运行的Varian Clinac 2100 C/D的辐射传输，以符合用作辐射源的相空间文件，以模拟所考虑的准直器和后续剂量分布。结果：准直器沿眼球前后方向的剂量分布宽度为2.4cm。该宽度比目前使用的准直器获得的剂量分布窄0.3cm。使用新准直器获得的剂量分布的其他相关特性，即深度剂量、半影宽度和横向轮廓形状，与使用中准直器获得的结果在统计学上是一致的。结论：申报准直器提供的较小射野尺寸仍然完全覆盖计划靶体积，在2cm深度处至少有95%的最大剂量，并提供0.2cm的安全裕度，因此确保充分治疗，同时减少眼睛周围结构吸收的剂量。
2018-09-24 physics.med-ph
Exploring Machine Learning Models for Physical Dose Calculation in Carbon Ion Therapy Using Heterogeneous Imaging Data -- A Proof of Concept Study
本研究探索多种机器学习模型（含首次应用的扩散模型）用于碳离子治疗物理剂量计算，证明U-Net等模型能平衡精度与速度，并泛化至不同CT分辨率。
2025-09-22 physics.med-ph
Data-driven dose calculation algorithm based on deep learning
在这项研究中，我们对基于深度学习技术实现快速准确的剂量计算进行了可行性研究。首先使用射线遍历算法将二维（2D）注量图转换为三维（3D）体积。然后建立一个类似于3D U-Net的深度残差网络，以学习转换后的3D体积、CT和3D剂量分布之间的映射。因此，在注量图和其对应的3D剂量分布之间建立间接关系，而不使用显著复杂的神经网络。收集了200例患者，包括鼻咽癌，肺癌，直肠癌和乳腺癌病例，并应用于训练拟议的网络。随机选择另外47例患者，通过将剂量分布、剂量体积直方图（DVH）和临床指标与治疗计划系统（TPS）的结果进行比较，评估所提出方法的准确性，TPS在本研究中用作基础事实。结果：提出的基于深度学习的剂量计算算法具有良好的预测性能。对于47名受试患者，深度学习计算值和标准差（标准化为处方）相对于TPS计算的平均每体素偏差为0.17%。将相关临床指标的平均深度学习计算值和标准差与TPS计算结果进行比较，t检验p值证明了它们之间的一致性。结论：在这项研究中，我们开发了一种新的基于深度学习的剂量计算方法。通过不同部位的临床病例对该方法进行了评价。结果表明，该方法具有可行性和可靠性，对提高不同治疗方式的辐射剂量计算效率和准确性具有很大潜力
2020-06-28 physics.med-ph
Direct probabilistic IMPT treatment planning with setup and range errors for neuro-oncological patients
Delft University of Technology（代尔夫特理工大学）；Erasmus MC Cancer Institute, University Medical Center Rotterdam（伊拉斯姆斯大学医学中心癌症研究所）；Holland Proton Therapy Centre Delft（荷兰质子治疗中心代尔夫特）；Leiden University Medical Center（莱顿大学医学中心）
研究针对神经肿瘤患者，比较概率计划与稳健计划，采用基于百分位数的概率方法，通过嵌套结构和多项式混沌展开采样计算，实现更好的靶区覆盖与危及器官剂量降低权衡，优化时间有改善。
2026-07-16 physics.med-ph
Applying voxel-based analysis to oropharyngeal cancer proton therapy patients: a correlation study on radiation-induced acute dysphagia
本研究面向口咽癌质子治疗患者，基于RayStation构建VBA工具，并利用恒定及两种可变RBE模型的递送剂量分析局部剂量与辐射诱发急性吞咽困难的相关性。
2025-10-21 physics.app-ph physics.med-ph
Detection of squawks in respiratory sounds of mechanically ventilated COVID-19 patients
University of Coimbra（科英布拉大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；“G. Papanikolaou” General Hospital（“G.帕帕尼古拉乌”综合医院）
机械通气患者通常表现出异常的呼吸音。粗鸣音是一种短促的吸气偶发音，可能发生在肺炎患者（如COVID-19患者）身上。在这项工作中，我们设计了一种方法，通过开发呼吸周期估计，应答候选识别，特征提取和聚类算法的机械通气患者的应答检测。最好的分类器在声音文件级别达到0.48的F1，在录音会话级别达到0.66的F1。这些初步结果是有希望的，因为它们是在嘈杂的环境中获得的。这种方法将为卫生专业人员提供一种新的功能，以评估危重患者的潜在恶化。
2021-07-28 cs.SD eess.AS physics.med-ph
Organ dose optimization for a point-of-care forearm X-ray photon-counting CT
本研究通过蒙特卡洛模拟评估光谱整形对前臂光子计数CT的器官剂量优化效果，发现80 kV可降低50%剂量且保持图像质量，并提出器官特异性剂量评估优于传统CTDI方法。
2025-09-26 physics.med-ph
Integrated Optofluidic Sensor for Coagulation Risk Monitoring in COVID-19 Patients at Point-of-Care
虽然COVID-19感染的病理生理学仍不完全清楚，但越来越多的证据表明它与重症患者的高凝状态密切相关。医生可以选择使用抗凝剂治疗重症监护室的患者。在护理点监测凝血状态的快速、简单且低成本的解决方案可以通过向患者施用受控剂量的药物并了解疾病的潜在病理生理学来帮助治疗。血栓弹性描记术，临床标准是准确的;当小型化为手持形状因子时，其具有有限的便携性和低灵敏度。在这篇文章中，我们总结了有助于推进微流体和光子传感器技术相结合的集成光流体设备的研究。微流体技术用于执行血液预处理，光子传感器在设备本身上实时读出血液凝固状态。这些技术使其具有便携性和可扩展性，可能成为开发用于COVID-19患者和一般凝血病的即时诊断的一次性传感器的技术基础。
2020-08-27 physics.med-ph physics.optics
Dosimetric impact of physician style variations in contouring CTV for post-operative prostate cancer: A deep learning-based simulation study
UT Southwestern Medical Center（德克萨斯大学西南医学中心）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
观察者之间的差异是术后临床靶体积（CTV）分割中的一个重要问题，其中不存在肉眼可见的肿瘤。在这种情况下，CTV不是解剖学上建立的结构，而是由医生基于所使用的临床指南、肿瘤控制和毒性之间的优选权衡、他们的经验和培训背景以及其他因素来确定的结构。这导致医生之间的观察者间差异很大。这种变异性被认为是一个问题，但由于缺乏每个患者的多个医生CTV轮廓和剂量计划所需的大量时间，因此研究其剂量测定结果是不切实际的。在这项研究中，我们通过深度学习模拟临床工作流程，分析了医生风格的变化对危及器官（OAR）剂量的影响。对于之前由一名医生治疗的给定患者，我们使用基于深度学习的工具来模拟其他医生如何绘制CTV以及相应的剂量分布如何寻找该患者。为了模拟多种医生风格，我们使用以前开发的内部CTV分割模型，可以产生医生风格感知分割。使用另一种内部深度学习工具预测相应的剂量分布，该工具可以根据测试数据预测平均在处方剂量3%以内的剂量。对于每个测试患者，考虑四种不同的医生风格的CTV，并分析四种不同的剂量分布。比较了OAR剂量指标，表明即使医生风格变化导致器官获得不同剂量，但除最大剂量点外，所有重要剂量指标均在临床可接受限度内。
2021-05-11 cs.AI physics.med-ph
Diagnostic Accuracy of Computed Tomography for Identifying Hospitalization in Patients with Suspected COVID-19
在COVID-19筛查中使用计算机断层扫描（CT）的争议与胸部CT作为诊断测试的模糊特征有关。使用RT-PCR作为参考标准计算的CT灵敏度和特异性的报告值变化很大。本研究的目的是重新评估CT的诊断和预后价值使用的替代方法。该研究纳入了973名有症状的COVID-19患者，年龄42 $\pm$ 17岁，56%为女性。我们使用“CT 0 -4”分级系统回顾了初始和随访CT研究之间的疾病动力学。敏感性和特异性被计算为相对于初始CT研究结果，患者的状况将改善或恶化的条件概率。为了计算阴性（NPV）和阳性（PPV）预测值，我们估计了莫斯科的COVID-19患病率。我们使用几个不同参数的ARIMA和EST模型来拟合2020年3月6日至2020年7月20日的COVID-19总病例数据，并预测发病率。CT 0 -4分级敏感性低（28%），特异性高（95%）。描述莫斯科大流行的最佳统计模型是具有乘法趋势、误差和季节类型的ETS。根据我们的计算，预测患病率为2.1%，NPV和PPV的值将分别为98%和10%。我们将低灵敏度和PPV值与具有严重症状的患者的小样本量和用于测量这些特定特征的非最佳方法设置相关联。“CT 0 -4”分级量表对识别COVID-19患者入院具有高度特异性和预测性。尽管准确性不明确，但胸部CT被证明是大流行期间患者管理的有效实用工具，前提是有必要的基础设施和人力资源。
2020-07-31 physics.med-ph q-bio.QM
A patient-specific approach for quantitative and automatic analysis of computed tomography images in lung disease: application to COVID-19 patients
肺计算机断层成像（CT）图像中的定量度量已被广泛使用，通常与生理学没有明确的联系。这项工作提出了一个独立于患者的模型，用于估计CT图像（WAVE）中肺部的良好通气量。将具有平均值（Mu.f）和宽度（Sigma.f）值的高斯拟合应用于肺部的较低CT直方图数据点，以提供良好通气肺体积（WAVE.f）的估计值。使用健康肺CT图像和4DCT采集分析了CT重建参数和呼吸周期的独立性。将为第三组COVID-19患者计算的高斯度量和一阶放射组学特征与相对于健康肺的那些进行比较。每个肺被进一步分割成24个子区域，并提出了一个新的生物标志物来自高斯拟合参数Mu.f来表示局部密度变化。在80%的病例中，WAVE.f与呼吸运动无关。比较中等迭代强度和FBP算法、1 mm和3 mm的切片厚度和不同的重建内核时，差异分别为1%、2%和高达14%。对于计算的所有指标，健康受试者与COVID-19患者存在显著差异。局部生物标志物的图形表示在单个2D图片中提供空间和定量信息。与其他基于固定直方图阈值的指标不同，该模型能够考虑受试者间和受试者内的变异性。此外，它定义了一个局部生物标志物，以量化疾病的严重程度，独立于观察者。
2021-01-12 physics.med-ph stat.ML
Novel Radiomic Feature for Survival Prediction of Lung Cancer Patients using Low-Dose CBCT Images
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Tata Medical Center（塔塔医学中心）；Arden Cancer Centre（雅顿癌症中心）；University Hospitals Coventry and Warwickshire（考文垂与沃里克郡大学医院）
预测患者的肿瘤进展存活率可用于估计治疗方案的有效性。在我们的工作中，我们提出了一个模型，考虑到肿瘤的异质性来预测生存。通过将图像中获得的放射密度信息与总肿瘤体积（GTV）相结合，根据肿瘤质量测量肿瘤异质性。我们提出了一个新的功能，称为肿瘤质量内的GTV（TMG），提高了生存能力的预测，相比现有的模型，使用GTV。患者TMG的每周变化是根据图像数据计算出来的，也是根据细胞存活率模型估计出来的。从细胞存活率模型获得的参数是治疗期间TMG变化的指标。我们使用这些参数以及其他患者元数据来执行生存分析和回归。使用这些数据进行Cox比例风险生存回归。当在模型中使用TMG而不是GTV时，观察到平均一致性指数从0.47显著改善至0.64。实验表明，有反应和无反应的患者的治疗反应存在差异，所提出的方法可以用来预测患者的生存能力。
2020-03-07 cs.CV physics.med-ph stat.AP
Attention U-net approach in predicting Intensity Modulated Radiation Therapy dose distribution in brain glioma tumor
本文提出基于注意力U-Net的深度学习方法预测脑胶质瘤IMRT剂量分布，比较仅PTV与PTV-OARs两种输入方式，均获高精度且快速，仅PTV法因无需OAR识别而更快。
2023-05-10 eess.SP physics.med-ph q-bio.QM
