Generation of deep learning based virtual non-contrast CT using dual-layer dual-energy CT and its application to planning CT for radiotherapy
Notice bibliographique
Résumé
This paper presents a novel approach for generating virtual non-contrast planning computed tomography (VNC-pCT) images from contrast-enhanced planning CT (CE-pCT) scans using a deep learning model. Unlike previous studies, which often lacked sufficient data pairs of contrast-enhanced and non-contrast CT images, we trained our model on dual-energy CT (DECT) images, using virtual non-contrast CT (VNC CT) images as outputs instead of true non-contrast CT images. We used a deterministic method to convert CE-pCT images into pseudo DECT images for model application. Model training and evaluation were conducted on 45 patients. The performance of our model, 'VNC-Net', was evaluated using various metrics, demonstrating high scores for quantitative performance. Moreover, our model accurately replicated target VNC CT images, showing close correspondence in CT numbers. The versatility of our model was further demonstrated by applying it to pseudo VNC DECT generation, followed by conversion to VNC-pCT. CE-pCT images of ten liver cancer patients and ten left-sided breast cancer patients were used. A quantitative comparison with true non-contrast planning CT (TNC-pCT) images validated the accuracy of the generated VNC-pCT images. Furthermore, dose calculations on CE-pCT and VNC-pCT images from patients undergoing volumetric modulated arc therapy for liver and breast cancer treatment showed the clinical relevance of our approach. Despite the model's overall good performance, limitations remained, particularly in maintaining CT numbers of bone and soft tissue less influenced by contrast agent. Future research should address these challenges to further improve the model's accuracy and applicability in radiotherapy planning. Overall, our study highlights the potential of deep learning models to improve imaging protocols and accuracy in radiotherapy planning.
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 | 0,000 | 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 ».