การประเมินวิธีการซ้อนทับภาพสำหรับการตรวจสอบภาพซีทีสังเคราะห์ ในการวางแผนการรักษาด้วยรังสีโดยใช้เอ็มอาร์ไอเท่านั้น
คำสำคัญ:
ซีทีสังเคราะห์, เอ็มอาร์ไอเท่านั้น, การซ้อนทับภาพแบบยืดหยุ่น, การซ้อนทับภาพแบบไม่ยืดหยุ่น, การวางแผนการรักษาบทคัดย่อ
หลักการและเหตุผล: การซ้อนทับภาพเป็นขั้นตอนสำคัญในการตรวจสอบภาพซีทีสังเคราะห์ (sCT) ก่อนใช้งานรังสีรักษาแบบใช้เอ็มอาร์ไอในทางคลินิก ซึ่งยังคงขาดการศึกษาในการเปรียบเทียบเพื่อตรวจสอบวิธีการซ้อนทับภาพที่เหมาะสม
วัตถุประสงค์: เพื่อประเมินวิธีการซ้อนทับภาพที่เหมาะสมสำหรับการตรวจสอบภาพ sCT ที่สร้างโดยอัลกอรึธึมที่ใช้โครงข่ายประสาทที่มีจำหน่ายทางการค้า ในด้านความเข้มของภาพ และปริมาณรังสี เปรียบเทียบกับภาพ CT ที่ใช้วางแผนการรักษา (pCT) ในบริเวณศีรษะและลำคอ และต่อมลูกหมาก
วัสดุและวิธีการ: การศึกษานี้ดำเนินการแบบย้อนหลังในผู้ป่วยจำนวน 10 ราย ประกอบด้วยมะเร็งศีรษะและลำคอ 5 ราย และต่อมลูกหมาก 5 ราย ซึ่งได้รับการจำลองการรักษาโดยการใช้ภาพ pCT และ MRI สำหรับการรักษาด้วยรังสีปรับความเข้มหมุนรอบตัวผู้ป่วย โดยภาพ sCT ถูกสร้างโดยซอฟท์แวร์ MRI Planner™ ภาพ pCT ถูกซ้อนทับกับภาพ sCT ด้วยวิธีการซ้อนทับภาพแบบไม่ยืดหยุ่น (RIR) และวิธีการซ้อนทับภาพแบบยืดหยุ่น (DIR) แบบ B-spline โดยผลลัพธ์ที่ได้ ได้แก่ ภาพ pCT แบบไม่ยืดหยุ่น (rpCT) และภาพ pCT แบบยืดหยุ่น (dpCT) ตามลำดับ จากนั้นทำการถ่ายโอนพารามิเตอร์ของแผนการรักษา และคำนวณปริมาณรังสีอีกครั้งโดยไม่มีการแก้ไขค่า monitor unit บนภาพ sCT ที่ถูกซ้อนทับ โดย rpCT-sCT ถูกเปรียบเทียบกับ dpCT-sCT ในด้านการตรวจสอบความถูกต้องของค่า HU โดยใช้ค่าค่าเฉลี่ยความผิดพลาดสัมบูรณ์ (MAE) การตรวจสอบความถูกต้องทางเรขาคณิตโดยใช้ค่าสัมประสิทธิ์ความเหมือน (DSC) และการตรวจสอบความถูกต้องของปริมาณรังสีโดยใช้กราฟแสดงปริมาณรังสี (DVH) และการวิเคราะห์ค่าแกมมา
ผลการศึกษา: วิธี DIR ทำให้ค่า MAE มีค่าเพิ่มขึ้นเฉลี่ย 25.56% ในส่วนศีรษะและลำคอ และ 61.85% ในส่วนต่อมลูกหมากเมื่อเปรียบเทียบกับวิธี RIR ค่า DSC เฉลี่ยในส่วนของศีรษะและลำคอ 0.73-0.97 ในวิธี RIR ถูกทำให้เพิ่มขึ้นเป็น 0.83-1.00 ในวิธี DIR ค่า DSC เฉลี่ยในส่วนต่อมลูกหมาก 0.69-0.95 ในวิธี RIR ถูกทำให้เพิ่มขึ้นเป็น 0.77-1.00 ในวิธี DIR วิธี RIR ให้ความแตกต่างของปริมาณรังสีสูงที่สุดที่ 4.22% ซึ่งลดลงเหลือไม่เกิน 2.00% ใน PTV และ OARs โดยใช้วิธี DIR ทั้งในส่วนศีรษะและลำคอ และต่อมลูกหมาก ยกเว้นความแตกต่างของปริมาณรังสีที่สูงในส่วนกระเพาะปัสสาวะ และสำไส้ตรง ซึ่งเกิดจากความแตกต่างของปริมาตรและรูปร่างที่มากเกินไปซึ่งแก้ไขไม่ได้โดยการใช้วิธี DIR
ข้อสรุป: วิธี DIR ให้ผลลัพธ์ที่ดีกว่าในการตรวจสอบความเข้มของภาพ และปริมาณรังสีในการตรวจสอบภาพ sCT เมื่อเปรียบเทียบกับวิธี RIR โดยลดความไม่แน่นอนของการตรวจสอบคุณภาพของภาพ sCT ที่เกิดจากความความแตกต่างทางกายวิภาคระหว่างการเก็บภาพ pCT และ MRI ในบริเวณศีรษะและลำคอ และต่อมลูกหมาก
เอกสารอ้างอิง
Pereira GC, Traughber M, Muzic Jr. RF. The role of imaging in radiation therapy planning: past, present, and future. BioMed Res Int. 2014;2014:1-9.
Palmér E, Karlsson A, Nordström F, Petruson K, Siversson C, Ljungberg M, et al. Synthetic computed tomography data allows for accurate absorbed dose calculations in a magnetic resonance imaging only workflow for head and neck radiotherapy. Phys Imaging in Radiat Oncol. 2021;17:36-42.
Edmund JM, Nyholm T. A review of substitute CT generation for MRI-only radiation therapy. Radiat Oncol. 2017;12:1-15.
Persson E, Gustafsson CJ, Ambolt P, Engelholm S, Ceberg S, Bäck S, et al. MR-PROTECT: Clinical feasibility of a prostate MRI-only radiotherapy treatment workflow and investigation of acceptance criteria. Radiat Oncol. 2020;15:1-13.
Johnstone E, Wyatt JJ, Henry AM, Short SC, Sebag-Montefiore D, Murray L, et al. Systematic Review of Synthetic Computed Tomography Generation Methodologies for Use in Magnetic Resonance Imaging-Only Radiation Therapy. Int J Radiat Oncol Biol Phys. 2018;100:199-217.
Spadea MF, Maspero M, Zaffino P, Seco J. Deep learning based synthetic-CT generation in radiotherapy and PET: A review. Med Phys. 2021;48:6537-66.
Cronholm RO, Karlsson A, Siversson C. Whitepaper: MRI only radiotherapy planning using the transfer function estimation algorithm. 2020:1-7.
Siversson C, Nordström F, Nilsson T, Nyholm T, Jonsson J, Gunnlaugsson A, et al. Technical note: MRI only prostate radiotherapy planning using the statistical decomposition algorithm. Med Phys. 2015;42:6090-7.
Ding S, Liu H, Li Y, Wang B, Li R, Huang X. Dosimetric accuracy of MR-guided online adaptive planning for nasopharyngeal carcinoma radiotherapy on 1.5 T MR-linac. Front Oncol. 2022;12:1-11.
Dinkla AM, Florkow MC, Maspero M, Savenije MHF, Zijlstra F, Doornaert PAH, et al. Dosimetric evaluation of synthetic CT for head and neck radiotherapy generated by a patch-based three-dimensional convolutional neural network. Med Phys. 2019;46:4095-104.
Guerreiro F, Burgos N, Dunlop A, Wong K, Petkar I, Nutting C, et al. Evaluation of a multi-atlas CT synthesis approach for MRI-only radiotherapy treatment planning. Phys Med. 2017;35:7-17.
Wang H, Du K, Qu J, Chandarana H, Das IJ. Dosimetric evaluation of magnetic resonance-generated synthetic CT for radiation treatment of rectal cancer. PLoS One. 2018;13:1-15.
Kemppainen R, Suilamo S, Tuokkola T, Lindholm P, Deppe MH, Keyriläinen J. Magnetic resonance-only simulation and dose calculation in external beam radiation therapy: a feasibility study for pelvic cancers. Acta Oncol. 2017;56:792-8.
Ma X, Chen X, Li J, Wang Y, Men K, Dai J. MRI-only radiotherapy planning for nasopharyngeal carcinoma using deep learning. Front Oncol. 2021;11:1-8.
Lerner M, Medin J, Gustafsson CJ, Alkner S, Siversson C, Olsson LE. Clinical validation of a commercially available deep learning software for synthetic CT generation for brain. Radiat Oncol. 2021;16:1-11.
Jurkovic IA, Papanikolaou N, Stathakis S, Kirby N, Mavroidis P. Objective Assessment of the quality and accuracy of deformable image registration. J Med Phys. 2020;45:156-67.
Brock KK, Mutic S, McNutt TR, Li H, Kessler ML. Use of image registration and fusion algorithms and techniques in radiotherapy: Report of the AAPM Radiation Therapy Committee Task Group No. 132. Med Phys. 2017;44:e43-76.
Chourak H, Barateau A, Tahri S, Cadin C, Lafond C, Nunes JC, et al. Quality assurance for MRI-only radiation therapy: A voxel-wise population-based methodology for image and dose assessment of synthetic CT generation methods. Front Oncol. 2022;12:1-17.
Brock KK. Image registration in intensity- modulated, image-guided and stereotactic body radiation therapy. Front Radiat Ther Oncol. 2007;40:94-115.
Fu J, Yang Y, Singhrao K, Ruan D, Chu FI, Low DA, et al. Deep learning approaches using 2D and 3D convolutional neural networks for generating male pelvic synthetic computed tomography from magnetic resonance imaging. Med Phys. 2019;46:3788-98.
Peng Y, Chen S, Qin A, Chen M, Gao X, Liu Y, et al. Magnetic resonance-based synthetic computed tomography images generated using generative adversarial networks for nasopharyngeal carcinoma radiotherapy treatment planning. Radiother Oncol. 2020;150:217-24.
Wang Y, Liu C, Zhang X, Deng W. Synthetic CT generation based on T2 weighted MRI of nasopharyngeal carcinoma (NPC) using a deep convolutional neural network (DCNN). Front Oncol. 2019;9:1-10.
Elsayed O, Mahar K, Kholief M, Khater H. Automatic detection of the pulmonary nodules from CT images. 2015:742-6.
Bo Y, Chang Y, Liang Y, Wang Z, Pei X, Xu XG, et al. A Comparison Study Between CNN-Based Deformed Planning CT and CycleGAN-Based Synthetic CT Methods for Improving iCBCT Image Quality. Front oncol. 2022;12:1-12.
Korsholm ME, Waring LW, Edmund JM. A criterion for the reliable use of MRI-only radiotherapy. Radiat Oncol. 2014;9:1-7.
Rong Y, Rosu-Bubulac M, Benedict SH, Cui Y, Ruo R, Connell T, et al. Rigid and deformable image registration for radiation therapy: A self-study evaluation guide for NRG oncology clinical trial participation. Pract Radiat Oncol. 2021;11:282-98.
Tang B, Wu F, Fu Y, Wang X, Wang P, Orlandini LC, et al. Dosimetric evaluation of synthetic CT image generated using a neural network for MR-only brain radiotherapy. J Appl Clin Med Phys. 2021;22:55-62.
G Gonzalez-Moya A, Dufreneix S, Ouyessad N, Guillerminet C, Autret D. Evaluation of a commercial synthetic computed tomography generation solution for magnetic resonance imaging-only radiotherapy. J Appl Clin Med Phys. 2021;22:191-7.
Bratova I, Paluska P, Grepl J, Sykorova P, Jansa J, Hodek M, et al. Validation of dose distribution computation on sCT images generated from MRI scans by Philips MRCAT. Rep Pract Oncol Radiother. 2019;24:245-50.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2023 สมาคมรังสีรักษาและมะเร็งวิทยาแห่งประเทศไทย
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารมะเร็งวิวัฒน์ ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับ และบุคคลากรท่านอื่น ๆ ใน สมาคมฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
