基于深度学习的肺通气功能图像生成方法及其应用

Radiation Pneumonitis (RP) is the most common complication of radiotherapy for thoracic tumors, which severely restricts the radiation dose to tumor and limits curative effect. Pulmonary ventilation function imaging guided radiotherapy can reduce the RP risk, however the current clinical methods for pulmonary function imaging (such as SPECT etc.) are poor clinical universality, adding extra inspection and expensive. It is difficult to monitor pulmonary ventilation function changes during radiotherapy, and the emergence of four dimensional computed tomography (4D-CT) and four dimensional core beam CT (4D-CBCT) techniques in clinical procedures makes it possible. However, the existing algorithms (density-change based and the Jacobian based methods) to produce pulmonary ventilation function distributions are severely dependent on deformable image registration (DIR) algorithm, which affects the accuracy. The project intends to propose an innovative deep learning-based method to produce the pre-treatment 4D-CT and in-treatment 4D-CBCT pulmonary ventilation function imaging and to evaluate the consistency with clinical gold standard SPECT. The aim is to guide pre-treatment radiotherapy plan and achieve the monitoring of pulmonary ventilation function during the process of radiotherapy. The existing clinical images are fully utilized to solve the difficulties of acquisition and poor accuracy through the cross-integration of multi-disciplinary technologies. This can lead to achieve a breakthrough in the efficiency and accuracy of radiotherapy technology.

放射性肺炎（RP）是胸部肿瘤放疗的最常见并发症，严重制约肿瘤靶区照射剂量，限制了放疗疗效。肺通气功能引导的放疗可以降低RP发生几率，然而目前临床获取肺功能图像方法（如SPECT等）存在普及性差、增加额外检查和费用高等问题，很难实现放疗过程中对肺通气功能变化的监测，而常规临床放疗流程中四维CT和四维锥束CT技术的出现为其提供了可能，但是利用现有算法（密度改变模型和Jacobian行列式法）生成肺通气功能分布存在着严重依赖变性配准算法而影响准确性的缺陷。本项目拟提出创新的基于深度学习的方法生成疗前四维CT和疗中四维锥束CT肺通气功能图像，并评价其与临床金标准SPECT功能影像的一致性，指导疗前放疗计划设计，实现放疗过程中对肺通气功能变化的监测。通过多学科技术的交叉融合，充分利用现有的常规临床治疗影像资源，解决目前肺通气功能图像难获取、精度差的难点，实现放疗技术在效率和精度上的突破。

放射性肺炎（Radiation Pneumonitis, RP）是胸部肿瘤放疗的最常见并发症，严重制约肿瘤靶区照射剂量，限制了放疗疗效。肺通气功能引导的放疗可以降低RP发生几率，然而目前临床获取肺功能图像的方法（如SPECT、PET和MRI等）存在普及性差、增加额外检查和费用高等问题，有学者提出基于四维计算机断层成像（4D-CT）生成肺通气功能分布，但是现有算法（密度改变法和Jacobian行列式法）存在着严重依赖变性配准算法而影响准确性的缺陷。本项目创新性的提出了基于深度学习方法生成4D-CT和四维锥形束计算机断层成像（4D-CBCT）肺通气功能图像，具体包括：建立了胸部肿瘤患者4D-CT、4D-CBCT和SPECT数据库；自主开发了DICOM-RT数据处理程序，成功从不同时相的4D-CT和4D-CBCT中分割并提取了患者的肺组织信息；建立了基于深度学习方法的4D-CT和4D-CBCT肺通气功能图像模型；评估了4D-CT和4D-CBCT肺通气功能图像与临床金标准SPECT肺通气功能影像的一致性；实现了指导避让高通气功能肺区域的胸部肿瘤放疗计划设计。与密度改变法和Jacobian行列式法相比，基于深度学习的方法显著提高了准确性，其中4D-CT高通气功能肺区域的相似指数值从0.48和0.29提高到0.83，全肺的Spearman相关性指数从0.22和-0.09提高到0.73。本项目在执行期间高质量的完成了计划目标，开发的基于深度学习的4D-CT和4D-CBCT肺通气功能图像生成技术是将人工智能引入放疗过程中全程监测肺通气功能变化领域的首次尝试，弥补了现有算法的缺陷，充分利用了现有的常规临床放疗影像资源，可以解决目前肺通气功能图像难获取、精度差的问题，可以为降低胸部肿瘤患者放射性肺炎发生几率、改善患者生活质量提供帮助，具有很好的临床应用价值和前景。