基于配准对抗生成网络的CBCT生成伪CT图像研究

摘要

在肿瘤放射治疗领域，基于锥形束CT(Cone-beam computed tomography, CBCT)的图像引导技术能有效校正患者摆位误差并监测病灶体积变化，但因图像固有的散射噪声和重建伪影，限制了其在临床上的应用，如何实现CBCT图像的CT值快速校准，对提升诊疗效率具有重要意义.本研究提出一种基于融合配准机制的改进型对抗生成网络模型（Registration adversarial generative network, Reg-GAN），通过非配对医学影像数据的高效映射，实现CBCT图像向伪CT(synthetic CT, sCT)的CT值修正.研究46例头颈部肿瘤患者的定位CT(Planning CT, pCT)与CBCT影像（采集间隔<24 h）,38例患者用于模型训练，8例患者用于验证与测试.预处理阶段，将pCT配准于CBCT图像，配准后p CT作为参考图像进行sCT的图像质量评估.结果显示，CBCT与pCT的CT值差异在0～250 HU(Hounsfield unit)之间，sCT与pCT的CT值差异在-50～50 HU之间；对于软组织和脑组织，CT差异为0 HU.与原CBCT相比，sCT图像的平均绝对误差（Mean absolute error, MAE）从(52.5±26.6) HU降至(36.6±11.6) HU(P=0.041<0.05)，峰值信噪比（Peak signal-to-noise ratio, PSNR）由(25.1±3.1) dB提升至(27.1±2.4) dB(P=0.006<0.05)，结构相似性指数（Structural similarity index, SSIM）从0.82±0.03优化至0.84±0.02(P=0.022<0.05). sCT与p CT图像相比，关键剂量学参数之间的P值均小于0.05，差异无统计学意义.经配准对抗网络模型生成的sCT图像质量显著提升，并在剂量学特性上与pCT一致性较高，为在线自适应放疗的临床实施提供了可靠的技术支撑.

关键词

对抗生成网络 / 锥形束扫描图像 / 自适应放射治疗 / 伪CT / 图像生成模型

基金资助

湖南省自然科学基金资助项目（2024JJ9384,2024JJ9385,2023JJ50014）