20.500.12556/RUL-180365 Vrednotenje sintetičnih računalniškotomografskih slik za načrtovanje radioterapije glave in vratu z izključno uporabo magnetne resonance geometrijska in dozimetrična analiza segmentacij kritičnih organov Evaluation of synthetic computed tomography images for magnetic resonance-only head and neck radiotherapy planning geometric and dosimetric analysis of organ-at-risk segmentations Izhodišča: Koncept radioterapije z izključno uporabo magnetne resonance (MR) temelji na opustitvi računalniškotomo-grafskih (CT) slik in njihovem nadomeščanju s sintetičnimi CT (sCT) slikami. V tem članku predstavljamo ustvarjanje sCT slik na podlagi MR slik glave in vratu ter pripadajočo geometrijsko in dozimetrično analizo segmentacij kritičnih organov v CT in sCT slikah.Metode: Z algoritmom globokega učenja, ki temelji na difuzijskem procesu, smo ustvarili model na 42 parih ter ga nato uporabili na 12 parih CT in MR slik za ustvarjanje pripadajočih sCT slik iz naključne slike šuma ter s pogojevanjem z MR sliko. V CT in sCT slikah smo nato z modelom globokega učenja avtomatsko segmentirali 12 različnih kritičnih organov ter opra-vili geometrijsko (računanje prostorskega ujemanja pridobljenih segmentacij v slikah) in dozimetrično (računanje prejetih odmerkov obsevanja pridobljenih segmentacij iz pripadajočih načrtov porazdelitve obsevalnih odmerkov) vrednotenje.Rezultati: Ustvarjene sCT slike so po kakovosti primerljive z obstoječimi metodami: srednja absolutna napaka 43,4 HU, vršno razmerje signal-šum 30,6 dB in indeks strukturne podobnosti 91,2 %. Geometrijska analiza segmentacij kritičnih or-ganov je pokazala visoko ujemanje med CT in sCT slikami: koeficient podobnosti Dice 87,9 % in 95. percentil Hausdorffove razdalje 2,2 mm. Ravno tako je dozimetrična analiza pokazala majhne razlike med obsevalnimi odmerki za CT in sCT slike: relativna razlika povprečnega odmerka je 2,3 % oz. največjega odmerka 1,9 %. Zaključek: Ustvarjanje sCT slik na podlagi predstavljene metodologije daje spodbudne rezultate, ki kažejo, da so sCT slike ustrezna alternativa originalnim CT slikam z vidika geometrijske in dozimetrične analize pripadajočih segmentacij kritič-nih organov. Background: Magnetic resonance (MR)-only radiotherapy eliminates computed tomography (CT) images and replaces them with synthetic CT (sCT) images. In this work, we present sCT image generation from head-and-neck MR images and the corresponding geometric and dosimetric analysis of organ-at-risk (OAR) segmentations in CT and sCT images. Methods: Using a deep learning algorithm based on the diffusion process, we trained a model on 42 pairs of CT and MR images and applied it to 12 test pairs to generate corresponding sCT images conditioned on MR inputs from random noise. We then automatically segmented 12 different OARs in the CT and sCT images, and performed geometric (computing the spatial alignment of the obtained segmentations in images) and dosimetric (computing the received radiation doses of the obtained segmentations from the corresponding radiation dose distribution plans) evaluation. Results: The generated sCT images are comparable in quality to those from existing methods: mean absolute error of 43.4 HU, peak signal-to-noise ratio of 30.6 dB and structural similarity index of 91.2%. Geometric analysis of OAR segmentations showed a high agreement between CT and sCT images: Dice similarity coefficient of 87.9% and 95th percentile Hausdorff distance of 2.2 mm. Similarly, dosimetric analysis showed slight differences in radiation doses between CT and sCT images: a relative difference of 2.3% in the mean dose and 1.9% in the maximum dose. Conclusions: The generation of sCT images using the proposed methodology yields encouraging results, indicating that sCT images are viable alternatives to CT images from for geometric and dosimetric analysis of the corresponding OAR segmentations. načrtovanje radioterapije ustvarjanje sintetičnih slik geometrijska in dozimetrična analiza kritični organi umetna inteligenca radiotherapy planning synthetic image generation geometric and dosimetric evaluation organs-at-risk artificial intelligence true false false Slovenski jezik Angleški jezik Članek v reviji 2026-03-06 13:20:53 2026-03-06 13:21:00 2026-03-07 04:40:09 0000-00-00 00:00:00 2026 0 0 Str. 3-14 št. 1/2 Letn. 95 jan./feb. 2026 0000-00-00 Zaloznikova Objavljeno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 616-085.849:004.8 1318-0347 10.6016/ZdravVestn.3648 270721027 zdravvestn-95-1-2-3648-sl.pdf zdravvestn-95-1-2-3648-sl.pdf 1 9C7E5FCD49DBB8EDA18DFD3EC8FCD8E3 d27bf3e4e032098e5c5d7145dd3c035863a820ce2eaed89cdd5efc38f25b3f45 25a20224-1957-11f1-a1ba-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=229689 https://vestnik.szd.si/index.php/ZdravVest/article/view/3648 0 8c7fbfe4-1956-11f1-a1ba-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=229688 Fakulteta za elektrotehniko 0 0 0