在图像引导放疗中，利用机器学习开发针对患者个体情况的锥形束计算机断层扫描剂量优化模型

《Radiological Physics and Technology》：Development of a patient-specific cone-beam computed tomography dose optimization model using machine learning in image-guided radiation therapy

　　本研究旨在开发基于机器学习的CBCT剂量预测模型，以优化前列腺放疗中的辐射剂量与图像质量。通过phantom实验和临床分析，确定40%剂量为CNR不显著下降的阈值，并验证SSIM在60%以下显著降低。支持向量回归模型表现最佳（R2=0.833），证实个性化CBCT协议可降低辐射暴露同时保持图像质量。

　　

摘要

圆锥束计算机断层扫描（CBCT）常用于放射治疗中，以观察软组织和骨骼结构。本研究旨在开发一种机器学习模型，该模型能够预测出在前列腺放射治疗中既能最小化辐射暴露又能保持软组织图像质量的最佳、针对患者的CBCT剂量。通过幻影研究评估了剂量与两个图像质量指标（图像标准差SD和对比度噪声比CNR）之间的关系。在模拟前列腺的幻影中，当剂量超过40%时，CNR与100%剂量相比并未显著下降。基于低对比度分辨率，这一剂量值被选为最低临床剂量水平。在临床图像分析中，随着剂量的降低，SD和CNR均出现下降，这与幻影研究结果一致。当剂量低于60%时，CBCT与计划计算机断层扫描（CT）之间的结构相似性指数显著降低，在40%剂量时其平均值为0.69。先前的研究表明，这一剂量水平可能对应于图像引导放疗中典型计划靶区边缘内的可接受配准精度。研究人员开发了一种机器学习模型，利用来自计划CT扫描的患者特定指标和CBCT图像质量参数来预测CBCT剂量。在测试的模型中，支持向量回归（Support Vector Regression）模型的准确性最高，其R2值为0.833，均方根误差为0.0876，因此被选用于剂量预测。这些结果支持了制定针对患者的CBCT成像方案的可行性，这类方案能够在保持软组织配准所需的临床可接受图像质量的同时降低辐射剂量。