基于迭代配准和感知损失的肺部伪CT合成深度学习算法

摘要

目的：使用深度学习算法通过学习肺部CT域图像特征，将锥形束CT(CBCT)合成高质量伪CT(sCT)图像。方法：本研究提出一种基于感知损失的循环生成式对抗网络模型（CycleGAN）和迭代配准的sCT生成算法，首先，结合感知损失和循环一致性损失来训练CycleGAN模型生成高质量的sCT图像，然后，利用Elastix配准工具对所生成的sCT图像和计划CT(pCT)图像进行配准，并用来迭代CycleGAN生成器模型。结果：在获取到的70例肺部肿瘤患者的pCT与CBCT数据上进行实验，从定量指标上看，利用本算法生成的sCT与pCT对比的结构相似度指标比CBCT与pCT对比的提升了11.9%，由0.825上升到0.923，均方绝对误差由110.97 HU降至78.62 HU，峰值信噪比由32.21 dB上升到34.74 dB，互信息由1.187上升到1.418。可视化评估中可见该算法大幅度消除了CBCT切片的散射伪影，突显骨质结构同时也修复了软组织结构。通过与当下流行的U-CycleGAN,R-CycleGAN和CUT模型对比，说明了本算法的有效性。结论：本文算法生成sCT图像能够有效减小CBCT与pCT间的剂量误差与结构误差，使其应用于精准的剂量计算，辅助医生的临床放疗诊断成为可能。

关键词

锥形束CT / CycleGAN / 感知损失 / Elastix / 图像合成