Generation of virtual lung single‐photon emission computed tomography/CT fusion images for functional avoidance radiotherapy planning using machine learning algorithms
Notice bibliographique
Résumé
INTRODUCTION: Functional image-guided radiotherapy (RT) planning for normal lung avoidance has recently been introduced. Single-photon emission computed tomography (SPECT)/CT can help identify the functional areas of lungs, but it is associated with delayed treatment time, additional costs and unexpected radiation exposure. In this study, we propose a machine learning algorithm that can generate functional chest CT images using the conditional generative adversarial networks (cGANs). METHODS: We collected a total of 54 lung perfusion SPECT/CT image sets from lung cancer patients who had been treated at a single institution. CT-to-SPECT image pairs that contained no lung voxels or did not match anatomically (on account of the patient's breathing) were removed at the physician's discretion. After we excluded the inappropriate images, we selected 3054 CT-to-SPECT image pairs as the training set (49 patients) and the 400 testing sets (five patients). The model was trained using the cGAN algorithm. RESULTS: We firstly evaluated the model based on multiscale SSIM (MS-SSIM). With the 400 image pairs of the testing set, we obtained a lung SPECT/CT fusion image for which the MS-SSIM was 0.87 (0.60-0.99) compared with the original image. We next estimated a gamma index between the generated and the ground truth images, resulting in a mean passing rate of 97.7 ± 1.2% with a 2%/2 mm threshold. These results supported the potential to generate functional areas of the lung parenchyma directly from chest CT images using the machine learning algorithm. CONCLUSION: The results indicate that the cGAN model used here can generate functional areas from RT planning chest CT images. This could be used for functional image-guided RT planning, for example, to spare patients' lung function without additional imaging modalities and costs. Additional studies are needed with many more training and test sets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».