基于稀疏重建锥形束CT和深度学习技术合成双能物质分解图

目的利用治疗当日低剂量单能锥形束CT(CBCT),合成与治疗当日解剖结构一致的双能物质分解图像(MDI),为在线自适应放疗(ART)和剂量重建等临床应用场景提供定量图像基础。方法通过改变4D Extended Cardiac-Torso(XCAT)解剖结构输入参数,构建70组男性和女性仿真人体数据,并按照5∶1∶1比例划分为训练集、验证集和独立测试集。其中每组数据包括治疗前的双能CT(DECT)以及发生生理形变后的CBCT,后者反映放疗过程中的患者变化。使用迭代分解算法对双能CT进行物质分解,分别得到骨分解图(MDIB)和软组织分解图(MDIST)。构建基于断层图像的2D CycleGAN网络实现从CBCT到MDI的模态转化,并保留CBCT所代表的放疗当天真实解剖结构。网络以CBCT、MDIB和MDIST为输入,输出为治疗当日的MDIB与MDIST。为测试集患者构建与CBCT解剖结构相同的DECT并获得MDIB与MDIST作为真值,定量评估模型合成双能物质分解图的性能表现。结果在仅使用传统方案约13.8%的投影数量和辐射剂量情况下,测试集中的10套单能稀疏重建CBCT被模型成功转换成了与放疗当日解剖结构一致的MDIB与MDIST。合成的MDIB和MDIST与真值相比,结构相似性指数(SSIM)分别为0.983±0.006和0.988±0.005;均方根误差(RMSE)分别为0.017±0.005和0.019±0.004;峰值信噪比(PSNR)分别为35.515±2.081和34.409±1.510。模型训练耗时约18 h 51 min,合成每张MDI图像耗时约0.65 s。结论基于低剂量稀疏重建CBCT,本研究构建的2D CycleGAN网络可以实现跨模态、高保真的双能物质分解图像转化,有望在现有临床平台上为在线自适应放疗、离子放疗计划设计、剂量重建与监控等应用场景提供新型智能成像方法。