鼻咽癌自适应放疗中应用RegGAN模型将锥形束CT图像转换为伪CT图像的可行性▲

刘 培 朱超华 孔令轲 廖超龙 陆合明

(1 右江民族医学院，广西百色市 533000，电子邮箱：1095839675@qq.com；2 广西壮族自治区人民医院放疗科，南宁市 530021；3 Manteia数据科技有限公司，福建省厦门市 361008)

在鼻咽癌调强放疗的过程中，一般需要完成30～35次的放射治疗，共需要6～7周。其间患者的体型和肿瘤组织可能会发生较大的变化，这可影响精确放疗的实施，而自适应放疗是较为推荐的一种解决方案[1]。然而，就目前的技术方案，自适应放疗需要重新进行CT定位、靶区勾画和放疗计划设计，耗时较长。锥形束CT(cone beam CT,CBCT)通常用于调强放疗前的图像引导和位置校正，但是CBCT与计划CT的CT值存在差异，不能直接用于放疗计划的设计[2]。如果能够将CBCT转换成精确的伪CT，利用此图像在线评估多次治疗后患者的剂量，乃至直接调整放疗计划，将使得在线自适应放疗成为可能[3]。本研究采用基于配准对抗神经网络的RegGAN模型[4]，将CBCT图像转换为伪CT图像，并对图像质量进行评估，探讨将该图像作为鼻咽癌自适应放疗参考图像的可行性。

1 资料与方法

1.1 临床资料 纳入2020年3～5月在广西壮族自治区人民医院完成放射治疗的60例鼻咽癌患者。纳入标准：(1)经病理证实为鼻咽未分化非角化型癌；(2)根据美国癌症联合委员会第8版分期标准[5]，分期为T1～T4期；(3)鼻咽癌初治患者。排除标准：临床信息、放疗影像和随访记录的数据不全，或者失访。回顾60例患者第1次用于图像引导放疗的CBCT图像和计划CT图像，其中47例作为训练集，13例作为测试集。训练集中男性30例、女性17例，年龄29～75(51.47±12.0)岁；测试集中男性11例、女性2例，年龄41～72(54±10.47)岁。

1.2 CT图像扫描 使用西门子大孔径CT模拟定位机(型号：SOMATOM Sensation Open)进行扫描。患者取仰卧位，用热塑面膜固定患者头颈肩，扫描范围从颅顶至胸骨角水平。扫描参数如下：120 kV，250 mAs，视野 500 mm×500 mm,层厚2 mm。予患者注射碘克沙醇造影剂95 mL延迟55 s后行图像采集。使用Elekta Synergy 医用直线加速器上的XVI影像系统采集CBCT图像，参数设置如下：扫描起始-终止角度为320°～160°，电压100 kV，366帧，总电流36.6 mAs，准直器S20，过滤器F0，转换为层厚2 mm的断层CT。

1.3 图像数据预处理 (1)图像CT值范围处理：CBCT和计划CT的CT值在骨密度较高的部分和某些较低的部分容易出现分布不匹配，这种图像的体素分布会影响训练的结果。因此，需要对数据先进行裁剪，将CBCT和计划CT的CT值裁剪到-1 000～800 HU范围内，以防止部分骨头的超高CT值对训练产生影响，然后归一化到[-1，1]。(2)CBCT和计划CT图像尺寸大小的匹配：本研究中采集的CBCT图像尺寸大小为[270,270]，计划CT图像尺寸大小为[512,512]，这导致图像在空间位置上没办法对齐，无法进行训练和测试。因此，通过重新采样的方式来改变CBCT和CT的空间尺寸，将两种图像尺寸缩放到一致的尺寸[270,270]，如图1所示。

图1 重新采样前后的CBCT和计划CT图像注：A为原始的CBCT和计划CT图像；B为重新采样后的CBCT和计划CT图像

具体的图像转换流程如图2所示。

图2 图像转换流程

1.5 模型结构与训练 为了评估RegGAN图像转换模型精度，选用Pix2Pix模型[6]和Cycle-consistency[7]模型作为参考模型，在相同的训练集上进行模型训练，并使用同组测试集进行图像转换。为了提高对比的有效性，均采用相同的生成器和辨别器，对同批数据进行了模型训练。3种转换模型的网络结构如图3所示。

图3 Pix2Pix、Cycle-consistency和RegGan 3种图像转换模型的网络结构

1.6 图像转换精度的评价指标 在测试集上，针对3种模型使用相同的训练策略和超参数获得伪CT图像。采用平均绝对误差(mean absolute error，MAE)、峰值信噪比(peak signal-to-noise ratio，PSNR)和结构相似性(structural similarity，SSIM)来评价图像转换精度(转换图像质量)。

1.7 统计学分析 采用SPSS19.0进行统计学处理。计量资料以(x±s)表示，采用Levene法检验组间方差齐性，再采用方差分析检验各组样本之间是否存在差异，事后多重比较选用Bonferroni法，以P<0.05表示差异具有统计学意义。

2 结 果

2.1 3种模型生成的伪CT图像质量的比较 由于本身数据存在未对齐的噪声，因此Pix2Pix模型在生成结果时出现高密度区域信息丢失，并且其生成的伪CT与计划CT之间的CT值分布差别较大；Cycle-consistency模型属于无监督方法，伪CT与计划CT的差异表现为在边界和CT值陡降区域产生失真；RegGAN所呈现的结果最好，具体表现在生成出来的伪CT图像具备更多的纹理细节信息。3种模型最终转换的伪CT图像细节如图4所示。

图4 原始CBCT、计划CT、Pix2Pix模型、Cycle-consistency模型、RegGAN模型生成的伪CT图像质量对比注：Pix2Pix模型转换的伪CT和计划CT的差异表现为所示高密度区域信息丢失(A)；Cycle-consistency模型转换的伪CT和计划CT的差异表现为所示在边界和CT值陡降区域产生失真(B)。

2.2 3种模型的图像转换精度的比较 在13例病例的测试数据集中，分别使用MAE、PSNR和SSIM指标，对图像转换精度进行评价。3种转换模型的MAE、PSNR和SSIM指标比较，差异具有统计学意义(均P<0.05)，其中RegGAN模型的MAE最小，PSNR和SSIM最大(均P<0.05)，见表1。

表1 3种转换模型的MAE、PSNR、SSIM的比较(x±s)

3 讨 论

实现在线自适应放疗是当前关注的热点，目前已经有多项研究将多模态影像应用于自适应放疗中。例如，亓孟科等[8]探讨了基于MRI图像的在线伪CT生成方案。但是由于成像时间长、价格昂贵等特性，MRI图像引导放疗的使用范围受到限制[9]。当前主流的方案是，采用CBCT图像引导放疗[10]。采用合适的方法将CBCT图像转换为伪CT，应用于自适应放疗，则是当前研究的热点之一[10-11]。

基于深度学习的CBCT图像转换为伪CT，是常用的方案[12-13]。但通常会面临一些困境：有监督的深度学习训练的前提是CBCT和计划CT在空间中每个体素都需要对齐，但成像的时差、摆位误差、患者的呼吸运动等因素会导致很难获得真正意义上的每个体素完全对齐的数据[11]。而无监督的深度学习对数据的要求会降低，同时生成图像的质量也会降低。因此本研究探讨了一种新的深度学习方法—配准对抗神经网络，其既可以降低对数据对齐程度的要求还可以保持高质量的生成结果。

基于有监督的Pix2Pix模型[6]和基于无监督的Cycle-consistency模型[7]是目前主要的两种多模态图像转换模型，但是两者在实际应用中都不够理想，Pix2Pix模型虽然有着杰出的性能，但对于数据的依赖程度较高，它的训练有赖于成对且体素对齐的数据，而由于解剖结构的变化，难获得这种理想的数据。而Cycle-consistency模型虽然可以很好地作用在未对齐的数据上，但因为其在训练过程中存在最优解不唯一的问题会导致训练不稳定，应用于临床中可出现不确定性。

本研究引入的基于配准对抗神经网络的图像转换模型RegGAN[4]，它将生成器与一个额外的配准网络进行联合训练来自适应拟合未对齐的体素分布，从而寻找出图像生成和图像配准任务的共同的最优目标解，通过这种方式显著提升了图像的转换质量。本研究结果显示，3种转换模型中，RegGAN模型的MAE最小，PSNR和SSIM最大(均P<0.05)，这说明与Pix2Pix和Cycle-consistency模型相比，经RegGAN模型转换的伪CT具有更好的图像质量。全科润等[14]利用39例鼻咽癌患者进行Cycle-consistency模型训练，对9例患者的CBCT图像进行转换验证后发现，该模型能有效地修正 CBCT 图像的CT值，转换生成的伪CT图像的CT值和平滑度与计划CT相似，可应用于剂量计算。而RegGAN模型图像转换精度优于Cycle-consistency模型，因此可以预见CBCT图像的RegGAN模型转换会有更高的Gamma 验证通过率。

虽然本研究提出的图像转换模型可较为精确地将CBCT图像转换为伪CT，但是仍然存在以下几个方面的问题：(1)转换图像尺寸。本研究采集的CBCT图像大小为[270,270],为保证图像尺寸的一致，将计划CT图像大小降低了一半，导致信息的丢失。下一步的工作考虑增加CBCT图像的采集尺寸，以期获得更详细的影像信息。(2)图像质量评价。与当前较常用Pix2Pix和Cycle-consistency模型相比，RegGAN转换模型在图像转换质量方面具有一定的优势，但是并未经过实际放疗剂量学的对比，在临床效用方面还需要进一步验证[15]。在今后的研究中，将在转换所得到的伪CT图像上进行剂量分布对照分析，通过Gamma 验证通过率和剂量学对比，评估RegGAN模型转换为伪CT在实际应用中的可行性。

综上所述，将鼻咽癌患者的CBCT图像转换为伪CT图像时，RegGAN模型在转换图像的质量方面具有较大的优势，初步满足剂量计算的要求。这为将CBCT图像转换为伪CT图像以作为鼻咽癌自适应放疗的参考图像奠定了基础。