通过基于深度学习的重建技术在放射治疗计划CT中减少剂量：一项单机构研究

《Radiological Physics and Technology》：Dose reduction in radiotherapy treatment planning CT via deep learning-based reconstruction: a single?institution study

　　辐射治疗规划CT（RTCT）中应用深度学习重建（AiCE）算法可降低CTDIvol和DLP达23.1%-75.4%，尤其在头颈部部位效果显著（CTDIvol降低75.4%，DLP降低73.5%），且优于英国和日本的多中心DRLs数据。

　　

摘要

本研究旨在利用基于深度学习的重建（DLR；AiCE）算法，与自适应迭代剂量降低（IR；AIDR）方法相比，量化放射治疗计划CT（RTCT）中的辐射剂量降低情况，并评估该算法在制定RTCT特定诊断参考水平（DRLs）方面的潜力。在这项单机构回顾性研究中，使用大口径CT设备获取了4个部位的RTCT扫描数据（头部、头颈部、肺部和盆腔）。对采用IR（n=820）和DLR（n=854）重建的扫描结果进行了比较。分别计算了每个部位的75百分位CTDI_vol和DLP（CTDI_IR、DLP_IR与CTDI_DLR、DLP_DLR）。剂量降低率通过（CTDI_DLR – CTDI_IR）/CTDI_IR × 100%来计算，DLP的剂量降低率计算方法相同。统计显著性采用Mann–Whitney U检验进行评估。结果显示，DLR在各个部位的CTDI_vol降低了30.4–75.4%，DLP降低了23.1–73.5%（p<0.001），其中头部和颈部RTCT的剂量降低幅度最大（CTDI_vol降低75.4%；DLP降低73.5%）。同时，数据变异性也有所减小。与已发布的国家DRLs相比，DLR使头部和颈部的CTDI_vol分别降低了34.8 mGy和18.8 mGy（相对于英国DRLs和日本多机构数据）。DLR显著降低了RTCT的剂量指标，为制定RTCT特定DRLs和优化临床工作流程提供了定量数据。