基于循環生成對抗網絡的鼻咽癌CBCT圖像修正

全科潤，程品晶，陳榕欽，柏朋剛，陳濟鴻，黃妙云，陳彥宇，洪加標

1.南華大學核科學技術學院，湖南衡陽421001；2.福建省腫瘤醫院放療科，福建福州350014；3.福建醫科大學附屬協和醫院放療科，福建福州350001

前言

放射治療是鼻咽癌的主要治療方式，治療過程往往持續數周。隨著治療分次的增加，患者腫瘤及周圍組織的解剖結構和劑量分布將發生變化，若繼續采取原放療計劃方案進行照射，可能造成靶區劑量分布改變，并帶來嚴重的放療并發癥，影響放療精確性［1-2］。自適應放療（Adaptive Radiation Therapy,ART）通過在某次治療過程中獲取新的引導影像分析分次放療與原放療計劃之間的差異，指導并調整后續分次放療計劃，是未來放射治療發展的趨勢［3］。錐形束CT（Cone-beam Computed Tomography,CBCT）能采集患者治療期間內的解剖信息，廣泛應用于圖像引導的放射治療。但由于偽影及重建技術的限制，對于具有相同電子密度的材料，CBCT圖像和CT圖像的CT值（Hounsfield Unit,HU）有較大偏差，因此未經HU值修正的CBCT圖像不能直接用于劑量計算，這限制了其在ART中的應用潛力［4］。CBCT圖像HU值的傳統校準方法主要有基于模體的電子密度曲線刻度方法［5］、基于特定患者的方法［6］及基于體素形變配準的方法［7］等。近年來，深度神經網絡在圖像處理領域取得巨大突破，尤其是生成對抗網絡（Generative Adversarial Network,GAN），現已廣泛用于圖像風格遷移［8］。在醫學圖像處理領域中，GAN廣泛用于從MRI圖像遷移生成偽CT（Synthesized CT,sCT）圖像，這說明GAN可能是醫學圖像轉換的潛在工具［9-10］。本研究擬使用循環生成對抗網絡（Cycle-consistent Generative Adversarial Network,CycleGAN）深度學習算法［11］對鼻咽癌CBCT圖像進行遷移，生成sCT圖像，對比sCT圖像與計劃CT（Planning CT,pCT）圖像的HU值及平滑性，從而探討該算法應用于鼻咽癌CBCT圖像HU值修正的應用價值。……