基于Transformer的生成对抗网络用于鼻咽癌MRI生成伪CT

摘要

目的：比较VTcGAN和Pix2pix这两种不同的深度学习模型在鼻咽癌MRI合成伪CT(sCT)方面的性能差异，并对其应用于治疗计划剂量计算准确性进行评估。方法：回顾性选取115例鼻咽癌患者的MRI、CT图像以及治疗计划数据，通过图像刚性配准获取配对数据集，其中105例作为训练集，剩余10例作为测试集。分别构建基于常规卷积神经网络的Pix2pix模型以及改进后基于Transformer网络的VTcGAN模型，二者除生成器模型中瓶颈网络的差异外，其余均保持一致。对于二者合成的sCT，分别从图像质量、强度值、剂量学差异等角度进行评估。结果：对于测试集中的病例，使用Pix2pix和VTcGAN模型合成的sCT图像与真实CT间的平均误差分别为（-0.86±12.42）HU和（-1.10±8.56）HU，平均绝对误差分别为（40.77±3.06）HU和（37.40±2.08）HU，峰值信噪比分别为（33.45±0.62）dB和（34.33±0.45）dB，结构相似性分别为0.928±0.013和0.936±0.009。在1 mm/1%标准，10%剂量阈值下，在Pix2pix和VTcGAN模型合成的sCT上的剂量平均γ通过率分别为（96.62±1.08）%和（96.88±0.99）%,50%剂量阈值下的平均γ通过率分别为（94.31±1.03）%和（94.72±0.91）%,80%剂量阈值下的平均γ通过率分别为（84.62±1.74）%和（86.06±1.41）%。结论：本研究提出的VTcGAN模型在鼻咽癌MRI合成sCT精度方面优于传统的Pix2pix模型，可以满足MRI-Only流程中对剂量计算的需求。

关键词

鼻咽癌 / 磁共振图像 / 伪CT / Transformer / 生成对抗网络