武汉大学教授彭浩团队首次在国际上提出基于人工智能的方法，通过双能CT图像全自动提取人体组织中碳氧元素质量分数，实现基于质子诱导产生的正电子信号的实时在线剂量监测。相关研究成果以《使用双能CT用于质子治疗基于PET的剂量验证通过机器学习的氧和碳浓度的推导》为题于3月4日发表于Medical Physics杂志。合作科研人员来自浙江大学邵逸夫医院和北京航空航天大学医学物理团队。

质子由于束流特性、CT图像转换、患者摆位、分次间解剖位置改变等多种因素的影响，质子治疗的治疗精度和效果受到了一定的限制。尤其是对于未来的质子自适应和FLASH技术，一个最大的挑战就是如何能实时监测治疗过程中的剂量分布，确保辐射剂量沉积在肿瘤靶区。

在线监测的原理是利用质子束通过核反应诱导产生的正电子素(11C和15O为主要来源)，并借助人工智能算法，快速准确地重建出辐射剂量分布。因此，获取人体组织的碳氧元素是非常重要的一步。传统基于单能CT的校准算法在分析人体组织(尤其是软组织)的成分时存在较大误差，限制了基于机器学习的在线剂量监测框架的应用。

利用双能CT图像和机器学习精确提取脑部组织中碳氧质量分数模型(UNet/ResNet)

相比于单能CT，双能CT重建出两个不同能量下的图像，能提供更多维度的人体组织特征信息。团队利用UNet和ResNet两个模型，在软组织和低密度组织中实现了碳氧成分的准确估计(低于5%的误差)。相比与传统的单像素点方法，机器学习模型充分利用了图像的空间相关性，对图像噪声和伪影也表现出了更好的鲁棒性。这一研究成果不仅可以用于改善治疗计划，也可以用于提高机器学习所需的训练数据的准确度。

利用双能CT图像和机器学习精确提取脑部组织中碳氧质量分数模型(UNet/ResNet)

据彭浩介绍，这一研究将有望与团队在质子治疗实时在线监测方面已发表的多项国际领先成果结合，拓展质子自适应和FLASH的应用，尤其是头颈部肿瘤和肺癌。