基于循环生成对抗网络迁移修正鼻咽癌兆伏级CT图像

黄星武,傅万凯*,陈传本,柏朋刚,陈济鸿,林蔚林,杨海松

(1.福建医科大学肿瘤临床医学院,福建 福州 350014;2.福建省肿瘤医院放疗中心,福建 福州 350014)

调强放射治疗(intensity-modulated radiation therapy, IMRT)是治疗鼻咽癌(nasopharyngeal carcinoma, NPC)的主要手段[1];随放射治疗(放疗)次数增加,肿瘤靶区(gross target volume, GTV)及转移的颈部淋巴结可发生解剖改变,空间位置及剂量分布亦发生相对变化,导致实际照射剂量与原计划剂量存在差异而影响放疗的精确性[2]。自适应放疗(adaptive radiotherapy, ART)鼻咽癌可通过图像引导方式评估患者体位改变,观察治疗过程中正常组织结构及肿瘤形态、位置变化,指导调整后续放疗计划[3]。螺旋断层放射治疗(helical tomotherapy, HT)是以兆伏级CT(megavoltage CT, MVCT)为实时引导、通过螺旋方式行薄层照射的IMRT设备,可用于鼻咽癌ART[4];但MVCT与千伏级CT(kilovolt CT, kVCT)间CT值存在一定差距[5],且MVCT图像对比度较低[6],其基于模体的图像灰度到电子质量密度曲线(image value to density table, IVDT)可随时间而发生变化,使直接以MVCT计算剂量的精确度有限。近年来,生成式对抗网络(generative adversarial network, GAN)已广泛用于图像处理,由此发展而来的循环GAN(cycle GAN, CycleGAN)[7]已用于提高CT图像质量[8-9]。本研究观察CycleGAN用于修正鼻咽癌MVCT图像的价值。

1 资料与方法

1.1 一般资料 选取2020年10月—2022年12月101例于福建省肿瘤医院接受CT扫描及HT治疗的首诊鼻咽癌患者,男78例、女23例,年龄22～74岁、平均(45.0±15.2)岁;均未发生远处转移。

1.2 仪器与方法 采用Philips Brilliance Big Bore大孔径定位模拟CT机,Accuray TomoHD螺旋断层放疗系统,VELOCITY4.0肿瘤多模态影像管理软件,Pinnacle16.2放疗计划系统。嘱患者仰卧,以热塑膜及发泡胶固定其头颈部,采集计划CT(plan CT, pCT)图像,扫描范围为颅顶至锁骨下3 cm,层厚3 mm,分辨率512×512;采集MVCT图像,扫描范围颅底至第6颈椎,能量3.5 MV,扫描模式Normal,层厚4 mm,分辨率512×512。

1.3 图像处理 将图像导入VELOCITY4.0软件,以MVCT为基准对pCT进行重采样至MVCT体素及尺寸,以所获重采样CT(resampled CT, RCT)图像为评价图像的参考标准。随机选择80例为训练集,包括RCT和MVCT图像各8 945幅;以其余21例为测试集,包括RCT和MVCT图像各2 133幅;将RCT和MVCT图像输入CycleGAN进行训练和测试。采用图像融合显示及多窗口图像对比显示方法评估配准结果,以阈值分割及形态学处理方法对外轮廓进行二进制掩膜,将掩膜外区域CT值设置为-1 000 HU、图像CT值范围裁剪至(-1 000,2 000);输入模型前将图像CT值重新归一化至(-1,1),以提高训练稳定性。

1.4 勾画靶区与危及器官 按照国际辐射单位和测量委员会(International Commission on Radiation Units and Measurements, ICRU)要求,结合病理及影像学所见勾画靶区和危及器官。靶区指影像学及临床检查可见的原发肿瘤及其侵犯范围,即GTV-肿瘤(GTV-tumor, GTV-T);以颈部左侧转移淋巴结为左侧淋巴结(GTV-node left, GTV-NL)、颈部右侧转移淋巴结为右侧淋巴结(GTV-node right, GTV-NR);以GTV-T+ GTV-T外扩5 mm+相应鼻咽腔黏膜及黏膜下5 mm为临床靶区(clinical target volume, CTV)1;根据肿瘤侵犯位置和范围对其进行适当扩充而得到CTV2;分别以颈部左、右侧转移淋巴结的CTV为CTV-NL(CTV-node left)及CTV-NR(CTV-node right);将以上各靶区外扩3 mm得到计划靶区(plan target volume, PTV),分别为GTV-T-P、GTV-NL-P、GTV-NR-P、CTV1-P、CTV2-P、CTV-NL-P及CTV-NR-P。

1.5 CycleGAN 算法模型及结构参数 采用CycleGAN训练网络模型(图1)。将RCT及MVCT数据输入CycleGAN网络;前向循环中,MVCT通过生成器GRCT生成RCT风格的伪CT(synthesized CT, sCT),再通过GMVCT转换回到MVCT风格的循环MVCT(cycle MVCT, CMVCT);逆向循环中以同理生成伪MVCT(synthesized MVCT, sMVCT)和循环CT(cycle CT, CCT);之后由判别器DRCT和DMVCT对输入图像进行判断。

图1 CycleGAN模型训练示意图 A.前向循环; B.逆向循环 (G为生成器,D为判别器,L为损失函数)

CycleGAN损失函数L分为对抗损失函数[公式(1)、(2)]和循环一致损失函数[公式(3)、(4)],其计算公式如下:

LRCT=ERCT[(1-DRCT(RCT))2]+EMVCT[(DRCT(GRCT(MVCT)))2]

(1)

LMVCT=EMVCT[(1-DMVCT(MVCT))2]+ERCT[DMVCT(GMVCT(RCT))2]

(2)

Lfw=EMVCT[||MVCT-GMVCT(GRCT(MVCT))||1]

(3)

Lbw=ERCT[||RCT-GRCT(GMVCT(RCT))||1]

(4)

其中,ERCT[(1-DRCT(RCT))2]是将RCT输入判别器D所得到的实际判别值与理想值之间的均方误差的期望值;EMVCT[(DRCT(GRCT(MVCT)))2]是将MVCTT输入生成器G、再输入判别器D所得的实际判别值与理想值之间的均方误差的期望值;EMVCT[||MVCT-GMVCT(GRCT(MVCT))||1]是将MVCT输入GRCT、再输入GMVCT所得CMVCT与输入MVCT之间的平均绝对误差(mean absolute error, MAE)的期望值;由此获得EMVCT[(1-DMVCT(MVCT))2]、ERCT[DMVCT(GMVCT(RCT))2]及ERCT[||RCT-GRCT(GMVCT(RCT))||1]。

训练期间采用总目标函数Lcyclegan优化生成器和判别器:

Lcyclegan=LRCT+LMVCT+λ(Lfw+Lbw)

(5)

其中,λ为循环一致性损失与对抗性损失的权重比,用于调节最终生成数据之间的相关性。

以Tensorflow框架建立网络参数,设置λ=10,采用Adam算法进行优化,设一阶矩衰减系数β1=0.5,二阶矩衰减系数β2=0.5,batchsize=2,epoch=100,初始学习率0.000 2,20个epoch后学习率线性衰减。

1.6 CT值比较 采用MAE比较测试集sCT与RCT、MVCT与RCT间的CT值差异,计算公式如下:

(6)

其中,i,j为图像坐标位置,f(i,j)为掩膜内RCT图像(i,j)处的像素值,t(i,j)为sCT及MVCT图像(i,j)处的像素值,nxny为像素总数。

1.7 计算剂量 测试集MVCT经CycleGAN训练模型迁移转换后生成sCT。采用VELOCITY4.0软件将于pCT勾画的靶区及危及器官形变配准至RCT上,再分别将sCT和RCT图像导入Pinnacle16.2计划系统;根据RCT及勾画靶区设计计划,GTV-T-P、GTV-NL-P和GTV-NR-P处方剂量为6 996 cGy/33次,CTV1-P为6 006 cGy/33次,CTV2-P、CTV-NL-P和CTV-NR-P为5 610 cGy/33次;之后保持计划参数不变,计算基于sCT的剂量分布。

计算GTV-T-P、GTV-NL-P、GTV-NR-P的D95和D98,危及器官脑干D1cc、脊髓D1cc、晶状体Dmax,腮腺Dmean和V30;D95和D98分别代表靶区95%和98%体积内的最小剂量,Dmax和Dmean分别代表最大剂量和平均剂量,D1cc为1 ml体积内的最大剂量,V30为危及器官中超过30 Gy的体积占该危及器官总体积的百分比。

1.8 统计学分析 采用SPSS 25.0统计分析软件。以±s形式表示符合正态分布计量资料,行配对t检验;以中位数(上下四分位数)表示不符合者,行非参数检验。P<0.05为差异有统计学意义。

2 结果

2.1 MAE 测试集MVCT与RCT图像之间、sCT与RCT图像之间的CT值的MAE分别为132.67(121.84,138.28)HU及76.77(62.71,86.43)HU,差异有统计学意义(Z=-5.466,P<0.001),即修正后sCT图像的CT值更接近kV级RCT图像。见图2。

图2 测试集MVCT与RCT和sCT与RCT图像CT值MAE柱状图

2.2 剂量计算 除GTV-NR-P的D95和左晶状体Dmax外,sCT与RCT图像其余剂量参数差异均无统计学意义(P均>0.05)。见表1、2及图3、4。

表1 鼻咽癌sCT与RCT图像GTV-T、GTV-NL、GTV-NR剂量分布比较(Gy)

表2 鼻咽癌sCT与RCT图像危及器官剂量分布比较

图3 鼻咽癌患者,男,45岁 A～C.头颈部轴位(A)、矢状位(B)及冠状位(C)sCT图像显示剂量分布; D～E.头颈部轴位(D)、矢状位(E)及冠状位(F)RCT图像显示剂量分布 (以不同颜色代表不同剂量分布区)

图4 剂量体积折线图 A.sCT; B.RCT (不同颜色表示不同剂量分布区)

3 讨论

鼻咽癌MVCT图像用于ART存在一定限制。PUKALA等[10]指出,直接采用头颈部MVCT图像,经IVDT转换后进行剂量计算的误差高达5%,难以保证计算ART剂量的精确性,需对图像质量加以提升。

将CycleGAN网络框架用于肿瘤ART已见于报道。LIANG等[11]采用CycleGAN算法将锥形束CT(cone beam CT, CBCT)图像转换为类似pCT的sCT,对CT值进行校正,使生成的sCT图像拥有与pCT图像相似的CT值及平滑度,并用于计算ART剂量。本研究采用CycleGAN算法对鼻咽癌MVCT进行迁移修正,使生成的sCT与pCT的CT值差距缩小,修正后其与RCT图像之间的CT值MAE由132.67(121.84,138.28)HU降至76.77(62.71,86.43)HU;对sCT与RCT肿瘤靶区和危及器官剂量分布的分析结果显示,除GTV-NR-P的D95和左晶状体Dmax外,sCT与RCT图像其余剂量参数差异均无统计学意义。鼻咽癌IMRT过程中,危及器官可发生体积改变,尤以腮腺为著。本研究sCT与RCT图像中双侧腮腺Dmean和V30差值均小于2%,提示临床可通过迁移修正MVCT后分析和监测腮腺剂量。

VINAS等[12]采用CycleGAN算法将MVCT转换成类似于pCT风格的sCT,使sCT中肌肉-脂肪、骨-脂肪和骨-肌肉对比度分别由MVCT的1.6±0.3、7.6±1.9、6.0±1.7提高至14.8±0.4、122.7±22.6、107.9±26.5,接近kV级pCT的对比度(15.2±0.8、124.9±27.0、109.7±26.5);同时,sCT图像噪声显著降低,信噪比提高约1个数量级,与pCT信噪比一致。本研究发现,迁移、修正MVCT图像后,生成的sCT图像质量亦得到一定程度改善,但未进行详细分析,有待后续进一步探索。

综上所述,采用CycleGAN修正鼻咽癌MVCT图像可使其与kV级pCT图像的CT值差距明显缩小并能用于计算剂量。但本研究部分样本体内存在异常密度物质(如金属义齿、输液港、体内异常高密度植入物等),可能对kV级pCT图像CT值归一化产生影响,有待后续寻找有效方法以防止图像迁移异常。