前列腺癌图像引导放疗中锥形束CT为合成CT提供质量保证的可行性研究

目的:探究在基于MR的前列腺癌(prostate cancer,PCa)图像引导放疗(image guided radiotherapy,IGRT)中锥形束CT(cone beam CT,CBCT)为合成CT(synthetic CT,sCT)提供质量保证(quality assurance,QA)的可行性。方法:以CT作为QA的金标准,进行体外实验和临床试验。体外实验:利用仿真人体模型检验CBCT的CT值的长期稳定性并建立CBCT的CT值-电子密度曲线。临床试验:筛选2021年6月至2022年12月间于某院接受诊疗且符合纳入标准的PCa患者10例,所有患者均于IGRT前3 d进行1.5T MR和CT扫描。基于患者的MR图像生成sCT图像后进行放疗计划设计和治疗。将患者的sCT、CT和CBCT图像进行基于黄金基准标志物(gold fiducial marker,GFM)的融合配准后,拷贝sCT放疗计划至CT和CBCT图像上并计算剂量分布,分别比较sCT和CT、sCT和CBCT的Gamma通过率和剂量体积直方图(dose volume histogram,DVH)指标。采用SPSS 19.0软件进行统计学分析。结果:体外实验表明,CBCT的CT值(CT值CBCT)长期稳定性良好,与CT的CT值(CT值CT)的一元回归方程为CT值CBCT=1.110×CT值CT+3.891。临床试验表明,sCT和CT、sCT和CBCT在横断面、冠状面、矢状面上的Gamma通过率均呈高度正相关,具有高度一致性,差异平均值均小于0.1%;DVH各项指标差异均较为接近,且均呈高度正相关。结论:在基于MR的PCa IGRT中,CBCT可取代金标准CT为sCT提供QA。

基于DenseCUT网络由头部锥形束CT图像生成合成CT图像

提出一种由头部锥形束CT(CBCT)图像生成合成CT(sCT)图像的无监督深度学习网络,并与循环生成对抗(CycleGAN)网络及对比非配对转换(CUT)网络进行比较。本研究共获取56例脑部肿瘤患者的计划CT(pCT)和CBCT数据(其中49例用于训练,7例用于测试),分别使用CycleGAN网络、CUT网络以及本研究提出的密集对比非配对转换(DenseCUT)网络由CBCT图像生成sCT。DenseCUT网络有两点创新之处:将CUT网络与密集块网络结合;在损失函数中加入结构相似性。与pCT-CBCT相比,pCT-sCT(DenseCUT网络)的HU值平均绝对误差从34.38 HU降低到17.75 HU,峰值信噪比从26.19 dB提升到29.83 dB,结构相似性从0.78提升到0.87。本文方法可在不改变解剖结构的情况下从CBCT图像中生成高质量的sCT图像,同时降低图像伪影,使CBCT应用于剂量计算和自适应放疗计划成为可能。

基于MRI的合成CT生成方法综述

放射治疗是治疗肿瘤的重要手段之一,而CT是目前放射治疗的主要基准影像。与CT相比,MRI具有良好的软组织对比度,且对人体完全无害,近年来也越来越会多地被用于软组织的勾画以及引导放射治疗。由于CT扫描的电离辐射影响患者的健康,同时扫描CT和MRI加重患者的经济负担,CT和MRI的配准融合会引入系统误差等弊端,所以仅使用MRI的放射治疗受到研究者的广泛关注。然而,由于MRI与电子密度无联系,不能直接用于剂量计算以及基于X光的患者摆位验证,因此需要研究相关算法,根据MRI图像得到患者组织的电子密度信息或者HU值,即生成合成CT或伪CT。将生成合成CT或伪CT的方法分为3类:基于体素、基于图谱和混合的方法。根据所应用的方法,对序列图像、应用数量以及解剖部位等进行总结和分析。该研究是放射治疗中一个崭新的方向,既可避免使用传统CT带来的电离辐射,又可以应用高分辨率的MRI影像对肿瘤进行监测,使患者得到更精确的放射治疗。

多期相CT合成辅助的腹部多器官图像分割

目的提出并探讨使用多期相CT合成辅助腹部多器官分割方法。方法提出多期相CT合成辅助腹部多器官分割,多期相CT能够充分提供同一器官不同的图像细节,从而为分割模型提供充分的全面的语义信息,提升腹部多个器官分割的性能。提出基于多头自注意力感知的多期相CT合成方法,引入基于多头自注意力机制的Transformer模块,提升合成网络捕捉长距离语义信息的能力,扩大网络的感受野,并且引入感知损失,在特征层面对合成图像与真实图像特征之间的差异最小化,与Transformer模块有协同作用,从而合成出更清晰、更高质量的多期相CT图像。结果使用南方医院的多期相CT数据集训练模型。其中用526例多期相CT训练合成模型,利用动脉期增强动脉CT(A.CECT)合成出平扫CT(NECT)、静脉期CECT(V.CECT)、延迟期CECT(D.CECT)的平均最大化绝对误差(MAE)分别为19.192±3.381、20.140±2.676、22.538±2.874,结合统计学对比,本文方法优于对比的其他图像合成方法(P<0.05)。多期相CT合成辅助的腹部多器官分割方法验证在内部验证集上进行验证平均Dice系数(DSC)为0.847,在外部验证集上进行验证平均DSC为0.823。结论本文方法能够合成出高质量的多期相CT图像以有效缓解不同期相CT之间存在的配准无法解决的误差问题,同时提高腹部13器官的分割性能,具有良好的泛化性能。

兆伏级CT图像引导自适应放疗中生成合成CT研究

目的:开发一种基于深度学习神经网络的方法将宫颈癌MVCT图像转换为具有高信噪比和高对比度的伪kVCT图像,从而提供宫颈癌自适应放疗需要的患者三维解剖图像和定位信息,引导加速器实现精确放疗。方法:收集54例宫颈癌患者的MVCT和kVCT图像组成数据集,随机选择44例样本作为训练集,并将剩下的10例样本作为测试集。采用加入门控机制和多通道数据输入的循环生成对抗网络(CycleGAN)基于MVCT合成伪kVCT图像。采用平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似度指数(SSIM)等影像学成像质量评估参数,评估网络训练效果。结果:5通道MVCT-5通道kVCT图像与MVCT图像对比,MAE从(24.9±0.7)HU降至(17.8±0.3)HU,PSNR从(29.8±0.2)dB升至(30.7±0.2)dB,SSIM从0.841±0.007升至0.898±0.003。结论:该方法生成的伪kVCT在降噪和增强对比度方面具有优势,同时能够减少剂量计算中对额外MV-kVCT电子密度校准的需求。伪kVCT的剂量计算能力与MVCT相当,为伪kVCT影像应用于图像引导自适应放疗提供了可能。

对用于肺部自适应放疗的合成CT影像质量的对比研究

目的评估基于Velocity软件,不同锥形束CT(Cone Beam CT,CBCT)扫描模式下对应的合成CT(synthetic CT,sCT)的图像质量。方法通过设置CIRS肺运动模体常规的呼吸运动状态,对其进行4D-CT模拟定位。在平均密度投影CT即计划CT(planning CT,pCT)上完成计划设计后,将其传至TrueBeam直线加速器,分别实现3D-CBCT和4D-CBCT的扫描和图像重建,再基于Velocity软件得到相应的sCT。结果sCT图像保留了基准pCT图像的精细结构,且二者图像轮廓之间有较强的相关性,所有Dice相似系数都超过0.85。通过直观对比可看出,相比对应的CBCT图像,sCT图像伪影明显减少。sCT3D/sCT4D图像中不同感兴趣区的CT值均明显更低,sCT的噪声更小。对sCT而言,sCT3D图像的CT值的平均百分差异为7.68%,sCT4D图像的CT值的平均百分差异为4.65%。相比3D-CBCT,基于4D-CBCT得到的sCT图像的CT值精度得到了改善。结论在固定呼吸状态下,基于Velocity得到的对应不同模式CBCT的sCT图像质量与基准pCT可以相比拟,与呼吸相关的图像引导在肺癌患者放疗时更有临床价值。

基于自监督生成对抗网络的锥形束CT合成伪CT研究

目的:旨在研究自监督生成对抗网络(SAGAN)在锥形束CT(CBCT)合成伪CT(sCT)中的应用,以解决CBCT图像质量问题,提高图像引导放疗的准确性。方法:收集58例头颈鳞癌患者CBCT和计划CT(pCT),采用U-Net结构和马尔科夫鉴别器构建SAGAN网络,并引入自注意力机制。使用WGAN-GP损失函数进行对抗训练,学习CBCT模态的空间映射和密度映射特性,增强CBCT图像特征表达和sCT的合成精度。分别对SAGAN和Res-Unet基线模型合成的sCT图像与原始pCT进行定性和定量分析,验证模型性能。结果:定性结果显示,SAGAN和Res-Unet合成的sCT均有效抑制伪影,SAGAN合成的sCT更接近pCT,误差较小。定量评价结果表明,SAGAN的平均绝对误差、结构相似性指数和峰值信噪比优于Res-Unet基线模型,特别在软组织方面表现更佳,差异有统计学意义(P<0.05)。SAGAN合成的sCT在体部、骨组织、软组织的线性回归斜率分别为0.956、0.959、0.839,CT值校正能力优于对比方法。结论:SAGAN模型在基于CBCT的sCT合成研究具有更优的CT值校正能力和图像转换质量,为图像引导放疗提供可靠依据,提高放疗精确性。

双能CT的基本原理、应用和未来展望(英文)

断层影像(CT)的图像对比度与扫描所用的X光源能谱分布有很大关系。传统CT使用具有能谱分布的一个光源进行成像,有时会出现信息模糊致使两种不同材料在CT图像上完全相同。双能CT使用两个不同分布的能谱对物体进行成像,能够消除单能谱情况下的信息模糊。虽然双能CT的基本概念由来已久,但最近商业系统的出现使双能CT迅速成为一个热点。我们首先概述了双能CT的基本物理原理和双能信号处理方法,包括促使双能CT进入现代医学成像的关键技术。其次,双能CT的应用已非常广泛,本文从其在临床应用角度进行了详细介绍使读者有所了解。最后,我们简要探讨了当前的两个技术发展领域:光子技术探测器和技术合成CT。

通过深度学习模型从增强CT图像合成平扫CT图像的质量分析

目的通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像,临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性,探讨其潜在临床价值。方法同时行常规平扫和增强CT扫描的患者34例,通过深度学习模型将增强CT图像合成DL-SNCT图像,以平扫CT图像为金标准,主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形,均采用4分制);利用配对t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。结果主观评价上,DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分,与平扫CT图像评分相一致(P>0.05);在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分vs.4分],差异有统计学意义(Z=-2.89,P<0.05)。对于不同解剖部位而言,DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像(t=-12.89、-9.58,P<0.05),而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义(P>0.05)。对于不同强化模式肝脏病变而言,DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像(t=-10.84、-3.42、-3.98,P<0.05),而肝囊肿CT值与平扫CT图像差异无统计学意义(P>0.05)。结论DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT,但对于强化程度变化大的解剖部位,以及有着不同强化模式的肝脏病变,DL-SNCT在临床应用前还有很大的改进空间。

放疗中基于双任务循环网络的单投影重建胸部CT方法研究

目的基于cycleGAN建立双任务循环网络,实现基于单角度投影的三维CT合成模型用于胸部肿瘤的自适应放疗,并评估图像生成质量和剂量精度。方法收集南京医科大学附属常州第二人民医院收治的胸部肿瘤容积弧形调强放射治疗(VMAT)患者45例,并筛选公共数据集图像991例作为预训练数据集,使用ASTRA算法获取多角度投影图像。公共数据集划分为训练集800例、验证集160例和测试集31例,医院患者数据划分为训练集40例、测试集5例。分别输入合成CT模型和多角度投影预测模型,实现双任务的训练。最终测试仅使用合成CT模型获取预测CT图像进行图像生成质量[包括平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似性指数(SSIM)]以及剂量学评估。结果合成CT的图像质量评估指标显示,图像合成精度较高,MAE为0.05±0.01,PSNR为19.08±1.69,SSIM为0.75±0.04。基于合成CT计算的放疗剂量分布也与真实分布接近,3%/3 mm标准下γ通过率平均为93.1%。结论由cycleGAN修改的双任务循环网络,可以快速准确地从单角度投影预测三维CT,可以应用于胸部肿瘤自适应放疗的工作流程。图像生成质量和剂量学的评估均显示合成CT质量可以满足放疗的临床要求。