基于循环一致生成对抗网络的多模态影像刚性配准

目的:采用循环一致生成对抗网络(CycleGAN)方法在保证医学影像刚性配准精度的同时,降低图像配准的时间以及训练数据获取难度。方法:首先对训练数据进行标准化与归一化,同时对图像进行重采样与剪裁,去除多余的空气部分。其次采用阈值法与扫描线法获取图像的外轮廓信息,基于CycleGAN建立两个生成器与两个判别器,生成器输入配准图像对和输出配准结果,判别器输入配准图像对和输出配准程度。在原始CycleGAN损失函数基础上,增加轮廓损失项,以约束网络训练方向,提高收敛速度。结果:选取75例腹部病例,其中65例作为训练数据集,10例作为测试数据集,配准结果与配准软件Elastix对比。计算测试图像集外轮廓Dice系数,配准前图像对的平均Dice系数为0.858,Elastix配准后的平均Dice系数为0.926,本方法配准后的平均Dice系数为0.925。配准时间上Elastix的平均配准时间为12.1 s,本研究方法的平均配准时间为0.04 s,加速比达到302。结论:本方法在保证图像配准精度的同时极大降低了图像配准所需的时间,提高了配准流程工作效率。除此之外,与其他深度学习网络相比,本方法不需要真实配准结果以及传统相似性测度。     

基于循环一致性生成对抗网络的盆腔伪CT生成方法

目的:基于循环一致性生成对抗网络（CycleGAN）,利用非配对患者盆腔部位数据,实现MRI和CT图像之间的相互转换,并对基于该模型生成的盆腔伪CT（sCT）进行精度和剂量性能的评估。方法:该CycleGAN网络包含两个生成器和两个判别器。先基于全卷积网络（FCNs）构建两个生成器,一个将2D盆腔MRI转换为2D盆腔sCT图像,另一个将CT图像转换为伪MRI（sMRI）图像。再基于FCNs构建两个判别器,用于对真实图像和生成的伪图像进行判别,提升生成图像的质量。为保证sCT图像与MRI图像的一致性,引入归一化互信息作为相似性约束损失项,对模型进行改进。训练集包括35例患者盆腔部位的T1-MRI图像和另外36例患者盆腔部位的CT图像,测试集包括10例盆腔部位患者的MRI和CT图像,评估方法包括sCT与CT图像的误差和放疗剂量伽马通过率。结果:对于测试集中所有病例,生成的sCT与真实CT图像之间的平均绝对误差（MAE）为35.537（±4.537） HU;基于体素的平均剂量差异最大为0.49%;以3%/3 mm、2%/2 mm和1%/1 mm为标准的平均伽马通过率分别高于99%、98%和95%。结论:使用CycleGAN网络和非配对患者训练数据可以生成准确且符合临床剂量精度要求的盆腔部位sCT图像。     

放疗计划系统DeepPlan光子放疗剂量计算的临床可行性验证

目的:评估DeepPlan放疗计划系统患者计划剂量计算的准确性和临床应用的可行性。方法:剂量算法准确性评估主要是针对YY 0775号和YY/T 0889号报告中的例题内容进行测量验证。临床病例验证是基于Pinnacle计划系统设计的前列腺肿瘤患者9例、胸部肿瘤患者13例和头颈部肿瘤患者5例，试验将各病例原计划优化的子野等信息直接导入DeepPlan进行重新剂量计算，比较不同计划系统得到的靶区和危及器官剂量分布，并用PTW VeriSoft软件对两组计算结果进行全空间剂量γ分析。结果:DeepPlan光子剂量算法通过了剂量计算准确性验证，YY 0775号报告中所有测试例题误差均在2%以内。YY/T 0889号报告中所有患者计划的γ通过率均在96.8%以上，复合野的γ通过率平均值为98.1%。在病例验证中，前列腺肿瘤病例的等中心层面2D γ通过率平均值为97.6%，3D γ通过率平均值为96.9%。胸部肿瘤病例的等中心层面2D γ通过率平均值为98.7%，3D γ通过率平均值为98.3%。头颈部肿瘤病例的中间层面2D γ通过率为98.6%，3D γ通过率平均值为98.8%。结论:通过模体实际测量和临床病例测试，验证了DeepPlan光子放疗剂量计算的准确性和临床应用的可行性。     

基于深度学习的直肠癌术后调强放疗剂量分布预测

目的 建立一种深度学习模型预测调强放疗（IMRT）的三维剂量分布。方法 收集直肠癌术后IMRT患者共110例,随机数表法选择其中90例作为训练验证集并作9折交叉验证,剩下20例作为测试集。构建3D U-Res-Net模型,以CT影像、靶区和危及器官（OARs）的解剖结构以及射束信息作为输入,IMRT剂量作为输出训练该模型,并用来预测测试集病例的剂量分布。采用三维剂量分布以及剂量—体积直方图（DVH）剂量参数评估预测精确性。结果 在三维剂量分布上,体素剂量的平均预测偏差为-2.12%~2.88%、平均绝对误差为2.55%~5.75%;等剂量面的Dice系数均在0.9以上,平均霍夫距离（HD₉₅）和平均表面距离（MSD）分别0.61~1.54 cm和0.21~0.45 cm。对于DVH剂量参数,除膀胱D_mean（P=0.048）以外,其他剂量学参数差异均无统计学意义（P>0.05）。结论 基于3D U-Res-Net模型可以实现直肠癌术后IMRT剂量分布预测,为自动计划设计奠定基础。     

基于危及器官DVH预测模型的前列腺癌自动计划研究

目的 评估利用危及器官DVH预测模型来实现前列腺癌自动计划的可行性。方法 从42例前列腺癌放疗计划数据库随机选择30例作为训练集,根据膀胱、直肠与靶区边界的空间距离将其依次分割成层厚为3 mm的亚体积元(Ai),采用偏正态高斯函数拟合各Ai的微分DVH,优化得微分DVH的精确数学模型;利用嵌入在Pinnacle脚本中的C⁺⁺子程序获取另外12例验证集患者OARs的各Ai体积,基于建立的数学模型预测各OARs的DVH参数,将其作为目标函数生成个性化Pinnacle脚本实现自动计划。配对t检验比较原临床计划、预测值和自动计划的剂量差异。结果 DVH预测结果显示其膀胱、直肠60 Gy以上剂量的体积分数均低于原临床计划;自动计划的膀胱V70、V60、V50以及直肠V70、V60值均比原临床计划明显降低(P<0.05),但靶区的覆盖率和适形度基本不变,均匀性略降低(P>0.05)。结论 基于危及器官DVH预测模型的前列腺癌自动计划降低了OARs照射剂量,提高治疗计划设计效率。