基于AI增强4D CT影像的呼吸运动管理个性化肺癌放疗规划研究

为解决肺癌放疗中因呼吸运动导致的肿瘤位移和危及器官(OARs)位置变化难题，研究人员开发了一种整合4D CT成像、改进ResNet-50分割架构、运动追踪与光流算法的个性化放疗系统。该技术通过三维重建（marching cube算法）自动识别最佳呼吸治疗时相，显著提升靶区照射精度并降低OARs受量，证实个性化时相选择对疗效的关键影响。

　　

肺癌放射治疗面临的核心挑战在于呼吸周期中肿瘤的动态位移及危及器官(OARs)的位姿变化。这项研究创新性地将4D CT影像技术与人工智能相结合：采用改进版ResNet-50网络架构——通过替换末端层提升分辨率，实现对肺部肿瘤及关键结构的精准分割；运用运动追踪算法实时捕捉肿瘤轨迹，结合光流技术补偿呼吸时相间运动差异。每个呼吸时相的二维分割结果经marching cube算法三维重建后，系统能智能分析肿瘤与OARs的空间关系，自动筛选出"黄金治疗时相"——该时相既能最大化肿瘤靶区照射剂量，又能有效规避健康组织。值得注意的是，最佳时相的选择呈现显著个体差异，与肿瘤体积、解剖位置及OARs邻近程度密切相关。这套融合深度学习和计算流体力学的智能规划系统，为动态靶区放疗提供了全新的精准化解决方案。