使用 CycleGAN 从锥形束计算机断层扫描（CBCT）生成合成计算机断层扫描（CT）图像用于自适应放疗

锥形束计算机断层扫描（CBCT）图像可用于自适应放疗（ART）中的剂量计算。主要挑战是较大的伪影和不准确的亨氏单位（HU）值。目前，形变后的计划 CT 图像常用于此目的，尽管解剖准确性可能存在问题。理想情况下，我们希望将 CBCT 图像转换为 CT 图像，在保持解剖准确性的同时去除或大幅减少伪影并校正 HU 值。近来，深度学习在图像到图像翻译任务中取得了巨大成功。获取具有完全匹配解剖结构的配对 CT 和 CBCT 图像用于监督训练非常困难。为克服此限制，我们开发并测试了一种循环生成对抗网络（CycleGAN），它是一种无监督学习方法，不需要配对训练数据集即可从 CBCT 图像合成 CT 图像。合成 CT（sCT）图像已与形变计划 CT（dpCT）进行比较，显示出视觉和定量的相似性，伪影被去除，HU 值误差从 71.78 HU 降低到 27.98 HU。使用 sCT 图像的剂量计算精度较原始 CBCT 图像有所提高，对于 1 mm/1% 标准，平均 Gamma 指数通过率从 95.4% 提高到 97.4%。我们进行了形变体模研究，证明 sCT 相比 dpCT 具有更好的解剖准确性。