基于双域Transformer耦合特征学习的CT截断数据重建模型

目的为解决CT扫描视野(FOV)不足导致的截断伪影和图像结构失真问题,本文提出了一种基于投影和图像双域Transformer耦合特征学习的CT截断数据重建模型(DDTrans)。方法基于Transformer网络分别构建投影域和图像域恢复模型,利用Transformer注意力模块的远距离依赖建模能力捕捉全局结构特征来恢复投影数据信息,增强重建图像。在投影域和图像域网络之间构建可微Radon反投影算子层,使得DDTrans能够进行端到端训练。此外,引入投影一致性损失来约束图像前投影结果,进一步提升图像重建的准确性。结果Mayo仿真数据实验结果表明,在部分截断和内扫描两种截断情况下,本文方法DDTrans在去除FOV边缘的截断伪影和恢复FOV外部信息等方面效果均优于对比算法。结论DDTrans模型可以有效去除CT截断伪影,确保FOV内数据的精确重建,同时实现FOV外部数据的近似重建。

CT截断区域对食管癌患者放疗计划剂量学影响

目的探讨CT图像截断区域对胸中段食管癌容积调强计划(VMAT)中靶区和危及器官的剂量学影响。方法选取15例胸中段食管癌患的CT图像,设置圆形掩膜使得截断区域体积占手臂体积的10%、20%、30%和40%,得到相应的截断CT,真实CT记为CT0。在CT0上制作2组放疗计划,一组为采用全弧的VMAT_1F,一组为采用避开手臂的三弧VMAT_3F,并将计划复制至4种截断CT。使用Wilcoxon符号秩检验比较不同计划的剂量学差异。结果与CT0中VMAT_1F相比,CT0中VMAT_3F降低肺的Dmean和V_(5),但增加了脊髓的D_(max)、心脏的Dmean和肺的V_(20)。VMAT_3F中,4种截断CT中的剂量学参数与CT0中的没有统计学差异(均P>0.05)。VMAT_1F中,除均匀性指数HI和脊髓D_(max)外,4种截断CT中的剂量学参数与CT0中的均有统计学差异(P<0.05),且剂量学差异随着截断区域体积比的增加而增大。结论临床中应采集完整的CT数据,必要时设置避开截断区域的射野,降低其对剂量学的影响。