苏州医工所高欣团队在用于自适应放疗的合成CT图像生成研究中取得进展

　　

借助锥形束计算机断层扫描（Cone-beam computed tomography，CBCT）监测解剖结构变化，实时调整放疗计划，可实现自适应放疗，对于提高患者生存率具有重要意义。然而，锥形束X射线固有的强散射效应，严重影响CBCT图像的清晰度，限制其在自适应放疗中的效能。临床采用医学图像配准方法，将计划CT精准的CT值映射至CBCT的解剖结构框架内，间接提升CBCT图像清晰度，但当解剖结构差异较大时，会降低配准精度，进而影响放射剂量计算精度，极大限制临床应用。通过监督卷积神经网络由CBCT图像生成合成CT（synthetic CT，sCT）图像的方法可解决上述问题，但监督网络高度依赖大量临床难以获取的配对数据，卷积网络缺乏捕获长距离依赖关系的能力，导致其在减轻CBCT图像噪声干扰与消除伪影问题上存在局限性。

近日，苏州医工所高欣团队联合中南大学湘雅医院放疗团队提出了一种改进的无监督sCT生成网络TranSE-cycleGAN（图1）。该网络基于cycleGAN架构，采用并行的双分支结构，将卷积神经网络和通道注意力引导的Transformer网络结合，分别提取反映图像细节的局部特征和反映噪声及伪影分布的全局特征，并通过逐元素相加的方式融合，强化网络对跨区域依赖关系的捕捉能力，使网络兼顾局部细节保持及全局上下文信息理解，保留CBCT图像结构的同时，提高图像CT值的精度。该研究共纳入在中南大学湘雅医院肿瘤科接受放疗的51名头颈癌患者的2205张CBCT图像及2224张计划CT图像，并与已公开发表网络cycleGAN，respath-cycleGAN进行了对比（图2）。研究结果表明，所提网络图像质量评估指标在测试集上均为最优。此外，在剂量准确性评估指标Gamma指数通过率（Gamma Pass Rate，GPR）方面也表现出色，验证了该项工作在自适应放疗中的潜在应用价值。

相关成果发表于IEEE信号处理学会旗下的IEEE Transactions on Computational Imaging，副研究员刘仰川和硕士研究生廖仕敏为并列第一作者。该研究得到国家重点研发计划（2022YFC2408400）支持。

论文链接：https://doi.org/10.1109/tci.2024.3402372

图1 TranSE-cycleGAN网络结构

图2 不同模型对不同患者不同区域的sCT结果对比