全科潤(rùn)，程品晶，陳榕欽，柏朋剛，陳濟(jì)鴻，黃妙云，陳彥宇，洪加標(biāo)

1.南華大學(xué)核科學(xué)技術(shù)學(xué)院，湖南衡陽(yáng)421001；2.福建省腫瘤醫(yī)院放療科，福建福州350014；3.福建醫(yī)科大學(xué)附屬協(xié)和醫(yī)院放療科，福建福州350001

前言

放射治療是鼻咽癌的主要治療方式，治療過(guò)程往往持續(xù)數(shù)周。隨著治療分次的增加，患者腫瘤及周?chē)M織的解剖結(jié)構(gòu)和劑量分布將發(fā)生變化，若繼續(xù)采取原放療計(jì)劃方案進(jìn)行照射，可能造成靶區(qū)劑量分布改變，并帶來(lái)嚴(yán)重的放療并發(fā)癥，影響放療精確性［1-2］。自適應(yīng)放療（Adaptive Radiation Therapy,ART）通過(guò)在某次治療過(guò)程中獲取新的引導(dǎo)影像分析分次放療與原放療計(jì)劃之間的差異，指導(dǎo)并調(diào)整后續(xù)分次放療計(jì)劃，是未來(lái)放射治療發(fā)展的趨勢(shì)［3］。錐形束CT（Cone-beam Computed Tomography,CBCT）能采集患者治療期間內(nèi)的解剖信息，廣泛應(yīng)用于圖像引導(dǎo)的放射治療。但由于偽影及重建技術(shù)的限制，對(duì)于具有相同電子密度的材料，CBCT圖像和CT圖像的CT值（Hounsfield Unit,HU）有較大偏差，因此未經(jīng)HU值修正的CBCT圖像不能直接用于劑量計(jì)算，這限制了其在ART中的應(yīng)用潛力［4］。CBCT圖像HU值的傳統(tǒng)校準(zhǔn)方法主要有基于模體的電子密度曲線刻度方法［5］、基于特定患者的方法［6］及基于體素形變配準(zhǔn)的方法［7］等。近年來(lái)，深度神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域取得巨大突破，尤其是生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network,GAN），現(xiàn)已廣泛用于圖像風(fēng)格遷移［8］。在醫(yī)學(xué)圖像處理領(lǐng)域中，GAN廣泛用于從MRI圖像遷移生成偽CT（Synthesized CT,sCT）圖像，這說(shuō)明GAN可能是醫(yī)學(xué)圖像轉(zhuǎn)換的潛在工具［9-10］。本研究擬使用循環(huán)生成對(duì)抗網(wǎng)絡(luò)（Cycle-consistent Generative Adversarial Network,CycleGAN）深度學(xué)習(xí)算法［11］對(duì)鼻咽癌CBCT圖像進(jìn)行遷移，生成sCT圖像，對(duì)比sCT圖像與計(jì)劃CT（Planning CT,pCT）圖像的HU值及平滑性，從而探討該算法應(yīng)用于鼻咽癌CBCT圖像HU值修正的應(yīng)用價(jià)值。

1 材料與方法

1.1 數(shù)據(jù)獲取及預(yù)處理

所有CT圖像及CBCT圖像來(lái)自2019年10月～2020年2月在福建省腫瘤醫(yī)院接受放射治療的39例鼻咽癌患者。CT圖像采集于PHILIPS Brilliance Big Bore，球管電壓設(shè)置為120 kV，X射線管電流為225 mA，切片尺寸為512×512；CBCT圖像采集于Elekta XVI，球管電壓為120 kV，X射線管電流為25 mA，圖像體素分辨率為（1×1×1）mm3，切片尺寸為410×410。CBCT圖像均在患者首次治療前獲得。通過(guò)開(kāi)源軟件Elatix，選擇剛性配準(zhǔn)算法對(duì)CT圖像和CBCT圖像進(jìn)行配準(zhǔn)，以CBCT圖像為基準(zhǔn)，將CT圖像重采樣到CBCT圖像體素及尺寸大小，將所得的重采樣pCT圖像作為本研究圖像評(píng)價(jià)的金標(biāo)準(zhǔn)。為避免頭枕、治療床等非解剖結(jié)構(gòu)對(duì)訓(xùn)練產(chǎn)生影響，基于閾值分割及形態(tài)學(xué)處理方法創(chuàng)建外輪廓的二進(jìn)制掩膜，將掩膜外的區(qū)域體素值設(shè)置為-1 000 HU。將待訓(xùn)練圖像的HU范圍裁剪至［-1 000,2 000］。由于計(jì)算機(jī)GPU顯存的限制，本研究采用的是二維CycleGAN模型。在輸入模型之前，pCT與CBCT均從圖像中心裁剪至256×256尺寸大小且CT值均歸一化到［-1,1］之間。選擇30例患者為訓(xùn)練集，每位患者取70張切片，共包含2 100張pCT圖像和CBCT圖像；其余9例為測(cè)試集，共有630張pCT圖像和CBCT圖像。

1.2 CycleGAN算法模型

傳統(tǒng)的GAN依賴(lài)于生成器與鑒別器的互相博弈學(xué)習(xí)產(chǎn)生較好的輸出結(jié)果。本研究采用的CycleGAN模型相比較于傳統(tǒng)GAN增加了逆向循環(huán)GAN，雙重約束模型以提高輸出圖像的準(zhǔn)確性。

如圖1所示，該模型由兩個(gè)生成器與兩個(gè)判別器組成。在前向循環(huán)中，CBCT通過(guò)生成器GpCT生成類(lèi)pCT域的sCT圖像，再通過(guò)GCBCT重構(gòu)回類(lèi)CBCT域的循環(huán)CBCT（Cycle Cone-Beam Computed Tomography,CCBCT）圖像。同理，逆向循環(huán)中，pCT通過(guò)GCBCT生成偽CBCT（Synthesized Cone-Beam Computed Tomography,SCBCT）圖像，并通過(guò)GpCT重構(gòu)生成循環(huán)CT（Cycle Computed Tomography,CCT）圖像。判別器DpCT和DCBCT用于判別輸入圖像是否為真實(shí)域圖像，確保圖像的遷移。訓(xùn)練過(guò)程中，生成器的目標(biāo)是盡可能生成對(duì)方領(lǐng)域的圖像以欺騙各自相對(duì)應(yīng)的判別器。判別器的目標(biāo)是提高鑒別能力，減少分辨誤差。隨著生成器與鑒別器不斷對(duì)抗優(yōu)化，最終達(dá)到動(dòng)態(tài)平衡。CycleGAN損失函數(shù)分為對(duì)抗損失和循環(huán)一致性損失，計(jì)算公式如下：

式（1）、式（2）為對(duì)抗損失函數(shù)。其中，EpCT[(1-DpCT(pCT))2]是pCT輸入判別器DpCT之后所得實(shí)際判別值與理想值之間均方誤差的期望值，ECBCT[(DpCT(GpCT(CBCT)))2]是CBCT輸入生成器GpCT得到sCT之后再輸入判別器DpCT所得的實(shí)際判別值與理想值之間均方誤差的期望值。ECBCT[(1-DCBCT(CBCT))2]、EpCT[DCBCT(GCBCT(pCT))2]同理。

式（3）、式（4）為循環(huán)一致性損失函數(shù)。ECBCT[||CBCT-GCBCT(GpCT(CBCT))||1]是CBCT輸入GpCT得到sCT之后再輸入生成器GCBCT所得CCBCT與輸入CBCT之間平均絕對(duì)誤差的期望值。EpCT[||pCT-GpCT(GCBCT(pCT))||1]同理。

在整個(gè)訓(xùn)練期間，通過(guò)總目標(biāo)函數(shù)Lcyclegan并行優(yōu)化生成器與判別器。

式（5）中λ為循環(huán)一致性損失與對(duì)抗性損失的權(quán)重比，用來(lái)調(diào)節(jié)最終生成數(shù)據(jù)之間的相關(guān)性。

圖1 CycleGAN模型Fig.1 Illustration of cycle-consistent generative adversarial network(CycleGAN)

1.3 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)計(jì)

生成器G由編碼層、轉(zhuǎn)換層和解碼層組成。輸入圖像經(jīng)過(guò)編碼層以減少特征圖大小，再經(jīng)過(guò)9層ResNet［12］殘差模塊轉(zhuǎn)換為目標(biāo)域的特征向量，最后經(jīng)過(guò)解碼層得到合成圖像，實(shí)現(xiàn)端到端遷移。判別器D為一個(gè)二分類(lèi)網(wǎng)絡(luò)，輸出在［0,1］之間。所有網(wǎng)絡(luò)均在Tensorflow框架下實(shí)現(xiàn)，λ設(shè)置為10，采用Adam算法進(jìn)行優(yōu)化［13］，取一階矩衰減系數(shù)β1=0.5，二階矩衰減系數(shù)β2=0.5，batchsize=2，epoch=100，初始學(xué)習(xí)率為0.000 2，在20個(gè)epoch后學(xué)習(xí)率線性衰減。

1.4 HU值評(píng)估

使用平均絕對(duì)誤差（Mean Absolute Error,MAE）和平均誤差（Mean Error,ME）比較測(cè)試集sCT、CBCT與pCT之間的差異。計(jì)算公式如下：

其中，f(i,j)為掩膜內(nèi)pCT圖像(i,j)處的像素值；t(i,j)為待比對(duì)圖像(i,j)處的像素值；nxny為像素總數(shù)。

2 結(jié)果

2.1 MAE和ME評(píng)估

9例測(cè)試集的CBCT圖像與pCT圖像以及sCT圖像與pCT圖像之間的MAE與ME見(jiàn)圖2。在體內(nèi)區(qū)域（CT值分布在-1 000-2 000 HU），sCT圖像與pCT圖像的MAE為（99.00±15.37）HU，ME為（-24.00±12.64）HU。對(duì)軟組織區(qū)域而言（CT值分布在-100～150 HU），sCT圖像與pCT圖像的MAE為（48.00±7.45）HU，ME為（-7.00±8.96）HU。

圖2 測(cè)試集CBCT圖像與sCT圖像之間的MAE和ME比較Fig.2 Comparison of MAE and ME between CBCT images and sCT images for test datasets

2.2 HU值分布曲線

在測(cè)試集中隨機(jī)選擇一位患者，比較sCT圖像的HU值分布情況（圖3）。在Line a的HU分布曲線中，區(qū)域1處sCT圖像的MAE為50.6 HU，區(qū)域2處為275.3 HU；在Line b的HU分布曲線中，區(qū)域1處sCT圖像的MAE為9.1 HU，區(qū)域2處為132.6 HU。

3 討論

CBCT技術(shù)已廣泛應(yīng)用于圖像引導(dǎo)的放射治療，在整個(gè)治療過(guò)程中能準(zhǔn)確反映擺位誤差及器官解剖結(jié)構(gòu)發(fā)生變化的信息，但重建技術(shù)及噪聲偽影使其與CT圖像的HU值存在較大偏差，因此當(dāng)CBCT圖像用于劑量計(jì)算時(shí)需要對(duì)HU值進(jìn)行修正。

Zhang等［14］通過(guò)線性擬合方法得到鼻咽癌扇形束CT圖像與CBCT圖像的HU值近似函數(shù)，并根據(jù)放射治療計(jì)劃系統(tǒng)中扇形束CT電子密度曲線及該擬合函數(shù)，轉(zhuǎn)換后獲得修正后的CBCT電子密度曲線，并進(jìn)行基于CBCT圖像的劑量計(jì)算。結(jié)果表明經(jīng)修正后的CBCT圖像與扇形束CT圖像的MAE差異為111.9 HU，在2%/2 mm標(biāo)準(zhǔn)下，Gamma驗(yàn)證通過(guò)率分別為97.60%±0.83%和97.74%±2.08%。Barateaua等［15］提出基于GAN的深度學(xué)習(xí)算法來(lái)修正CBCT圖像，合成CT圖像在整個(gè)體表輪廓內(nèi)的MAE為82 HU，軟組織的MAE為69 HU，在2%/2 mm標(biāo)準(zhǔn)下，Gamma驗(yàn)證通過(guò)率為98.1%±1.2%，優(yōu)于HU電子密度刻度方法（91.0%±5.3%）。

本研究探索利用CycleGAN算法對(duì)鼻咽癌CBCT圖像進(jìn)行遷移，生成與pCT圖像HU值相似的sCT圖像，以實(shí)現(xiàn)CBCT圖像的修正。通過(guò)對(duì)9例測(cè)試集生成的sCT圖像HU值進(jìn)行評(píng)估，結(jié)果顯示通過(guò)本方法遷移合成的sCT圖像與pCT圖像偏差較小。相比于上述CBCT圖像修正的相關(guān)工作，本方法所遷移的sCT圖像的MAE相比線性擬合方法更低（99 HUvs119 HU）［14］，雖在整個(gè)體表輪廓內(nèi)的MAE略高于Barateaua等［15］方法（99 HUvs89 HU），但在軟組織區(qū)域的修正效果更好（48 HUvs69 HU）。圖3區(qū)域2可見(jiàn)本文算法遷移誤差主要集中在峰值附近區(qū)域，這可能是由于訓(xùn)練數(shù)據(jù)較少，生成器在上采樣過(guò)程中丟失局部特征等原因造成。由于MAE是逐個(gè)像素進(jìn)行比較，該區(qū)域在整個(gè)圖像所占份額少，絕大部分為軟組織區(qū)域，因此該區(qū)域誤差對(duì)實(shí)際劑量計(jì)算的影響較小。除此之外，本算法遷移生成圖像在平坦區(qū)域處的平滑度與pCT圖像相當(dāng)（如圖3Line b中區(qū)域1），與Li等［16］基于U-net模型合成CT圖像的結(jié)果一致。本課題組以往研究結(jié)果表明，當(dāng)CT值差異為68 HU時(shí)，靶區(qū)劑量學(xué)差異為1.5%，脊髓差異為2%左右［17］，因此使用本研究算法遷移生成的sCT圖像可應(yīng)用于劑量計(jì)算。

圖3 CBCT、pCT及sCT圖像的HU值分布比較Fig.3 Comparison of HU profile among CBCT,pCT and sCT images

雖然基于本研究的算法可以較好地修正CBCT圖像HU值，但該算法采用的是二維模型，忽略了圖像層間信息，如果采用三維模型預(yù)期能取得更好的效果［18-19］。其次，由于預(yù)處理配準(zhǔn)時(shí)采用的是剛性配準(zhǔn)算法，重采樣CT圖像與CBCT圖像之間存在一定的不確定性偏差，改進(jìn)配準(zhǔn)算法提高配準(zhǔn)精度能使sCT更加精確［20］。在未來(lái)的研究中本課題組將會(huì)優(yōu)化配準(zhǔn)方法及算法模型，并進(jìn)行基于遷移sCT的劑量學(xué)研究，進(jìn)一步對(duì)該算法進(jìn)行驗(yàn)證。

綜上所述，基于CycleGAN模型的深度學(xué)習(xí)算法能有效修正CBCT圖像HU值，遷移生成的sCT圖像的HU值及平滑度與CT圖像相似，可應(yīng)用于劑量計(jì)算，為CBCT在精確放療中的應(yīng)用提供幫助。