21 мая, 2024

hleb

Находите все последние статьи и смотрите телешоу, репортажи и подкасты, связанные с Россией.

Компьютерная томография на основе CycleGAN с коррекцией HU для адаптивной лучевой терапии рака носоглотки

Компьютерная томография на основе CycleGAN с коррекцией HU для адаптивной лучевой терапии рака носоглотки

Получение и обработка изображений

В это исследование были включены 52 пациента с РНП, получавших лучевую терапию в онкологической больнице Фуцзянь с 2020 по 2021 год. Это исследование было одобрено Комитетом по этике онкологической больницы Фуцзянь (этический номер: SQ2020-043-01), и все пациенты предоставили письменное информированное согласие до включения в исследование. Все методы были выполнены в соответствии с Хельсинкской декларацией, а также соответствующими руководящими принципами и правилами. Во время моделирования планирования лечения КТ-изображения были получены на Brilliance CT Big Bore (Philips Medical Systems Inc., Кливленд, Огайо, США) по протоколу «голова-шея» (120 кВ, 225 мА). Срез томограммы имеет размеры 512 х 512 пикселей с воксельным разрешением 1,14 х 1,14 х 3 мм.3. Все изображения КЛКТ были получены до первой лучевой терапии пациентов на XVI ускорителе Elekta Axesse с напряжением трубки 120 кВ и током облучения 25 мА. Размеры среза изображения КЛКТ составляли 410 х 410 пикселей с разрешением 1 х 1 х 1 мм.3.

КТ-изображения и КЛКТ-изображения регистрировались строго в соответствии со стандартом для КЛКТ-изображений с использованием программного обеспечения с открытым исходным кодом 3D-Slicer.25. Аксиальные томографические изображения, совмещенные с воксельными и объемными изображениями КЛКТ, называемые RCT, затем передискретизировались в качестве эталонного стандарта для оценки изображений. Бинарные маски были созданы на основе методов пороговой сегментации и морфологической обработки, чтобы избежать вредного влияния неанатомических структур в процессе обучения. Значения вокселей изображений были обрезаны до диапазона [− 1000, 2000]а значения вокселей областей за пределами масок были установлены на -1000 HU.

Перед обучением модели CycleGAN все изображения RCT и CBCT были обрезаны от центра изображения до размера 256 × 256, а значение CT было нормализовано до [− 1, 1]. 41 пациент был случайным образом выбран для обучающей выборки, а 11 пациентов использовались для проверки. Из набора данных каждого пациента было взято 264 среза. Таким образом, набор данных для обучения и проверки состоял из 10 824 и 2 904 срезов КТ и КЛКТ соответственно. Из-за ограничений памяти графического процессора в этом исследовании была принята 2D-модель CycleGAN.

READ  Ноутбук Asus TUF Gaming A17 RTX 4070 упал до 1400 долларов на Newegg

Калибровка HU с помощью Phantom

Модель CIRS 062 (технология моделирования тканей CIRS, Норфолк, Вирджиния, США) была отсканирована с использованием той же КТ Big Bore и той же КЛКТ на линейном ускорителе с теми же параметрами сбора данных. Для каждого сканирования среднее число HU каждого входного материала (электронная плотность относительно воды 1,00, 0,20, 0,50, 0,97, 0,99, 1,06, 1,07, 1,16 и 1,61) считывалось в центральном срезе фантома. Затем среднее число HU в КТ-сканировании и микро-КТ-сканировании наносили на график в зависимости от известной электронной плотности соответственно. HU был скорректирован из изображений КЛКТ на основе этих двух кривых с помощью собственного программного обеспечения для создания скорректированных изображений КЛКТ (CBCT_cor).

Метод CycleGAN

Как показано на рисунке 1, модель CycleGAN включает в себя два генератора и два дискриминатора. В прямом цикле Генератор-RCT (GРКИ) генерирует sCT из КЛКТ, затем Генератор-КЛКТ (GКЛКТ) генерирует цикл CBCT (CCBCT) из sCT. Находясь в обратном цикле, используйте GКЛКТ Составная КЛКТ (sCBCT) генерируется из RCT, затем GРКИ Генерирует цикл CT (CCT) из sCBCT. Проницательный, д.РКИ дружбаКЛКТ, чтобы определить, являются ли sCT и sCBCT реальными изображениями. Функция потерь CycleGAN состояла из потери антагонизма и потери согласованности цикла. Антагонистические потери для двух циклов равны

$$L_{CT} = E_{RCT}\влево[ {\left( {1 — D_{RCT} (RCT)} \right)^{2} } \right] +E_{КЛКТ}\левый[ {\left( {D_{RCT} \left( {G_{RCT} (CBCT)} \right)} \right)^{2} } \right] $$

(1)

И

$$ L_{CBCT} = E_{CBCT} \ слева[ {\left( {1 — D_{CBCT} (CBCT)} \right)^{2} } \right] +E_{RCT}\влево[ {\left( {D_{CBCT} \left( {G_{CBCT} (RCT)} \right)} \right)^{2} } \right] $$

(2)

Рисунок 1

Иллюстрация генеративно-состязательной сети, ориентированной на цикл (CycleGAN).

Потери согласованности сеанса для двух сеансов составляют

READ  Посмотрите концептуальный рендеринг iPhone 15 Pro Max/Ultra (видео)

$$ L_{fw} = E_{CBCT}\left[ {\left\| {CBCT — G_{CBCT} (G_{RCT} (CBCT))} \right\|_{1} } \right] $$

(3)

И

$$L_{bw}=E_{RCT}\слева[ {\left\| {RCT — G_{RCT} \left( {G_{CBCT} (RCT)} \right)} \right\|_{1} } \right] $$

(4)

Таким образом, при объединении этих двух видов потерь все дело в том, что:

$$ L_{циклеган} = L_{CT} + L_{CBCT} + \lambda \left ( {L_{fw} + L_{bw}} \right) $$

(5)

Структура и параметры сети

Генератор содержит уровень кодера, уровень преобразования и уровень декодера. Кодер уменьшает количество пространственных измерений и определяет особенности входного изображения. Уровень трансформации, состоящий из девяти слоев модуля ResNet.26, затем изменятся на их собственные векторы. Декодер фиксирует пространственные размеры объекта и формирует составное изображение. Дискриминатор представляет собой бинарную сеть с выходами между [0, 1]. Режим обучается с помощью оптимизатора Adam27 из тензорного потока28. Скорость обучения линейно снижается после 20 эпох с начальным значением 0,0002, а для импульса β1 и 2 установлено значение 0,5. Другие параметры установлены следующим образом: λ = 10, размер пакета = 2, эпоха = 100. Для обучения модели используются исходные изображения CBCT и изображения CBCT_cor соответственно. В следующем тексте SCT1 создается моделью CycleGAN из исходных изображений CBCT, а SCT2 генерируется из CBCT_cor.

оценка

В этом исследовании пациентов в контрольной группе использовали для оценки улучшения качества изображения. Средняя абсолютная ошибка (MAE) и средняя ошибка (ME) были рассчитаны для CBCT, CBCT_cor, SCT1 и SCT2 по сравнению с RCT в области бинарных масок соответственно. Между тем, профили HU также сравнивались для этих типов изображений при параллельном сравнении.

Планы объемной модифицированной дуговой терапии (VMAT) для пациентов в контрольной группе были созданы на изображениях РКИ. Назначенная доза составляла 69,96 Гр, 60,06 Гр и 56,1 Гр для целевых объемов первичной опухоли носоглотки, двусторонних терминальных лимфатических узлов (PTV6996), области высокого риска (PTV6006), области низкого риска и двусторонних узловых областей низкого риска. (PTV5610) в 33 фракциях соответственно. Ориентиры были транскрибированы с изображений RCT в изображения CBCT, CBCT_cor, SCT1 и SCT2 посредством строгой регистрации. Расчет дозы проводили с помощью Pinnacle.3 (Версия 16.2, Philips Radiation Oncology Systems, Мэдисон, Висконсин).

READ  Поскольку у Google Диска есть проблемы с отсутствующими файлами, он меняет дизайн своей домашней страницы, чтобы быстрее находить файлы.

Сравнение распределения дозы было выполнено между изображениями CBCT_cor, RCT, SCT1 и SCT2. Несколько дозиметрических параметров были собраны для количественных сравнений. Для ПТВ, D2 (Доза, соответствующая 2% объема) dиметь в виду (средняя доза) и др.98 (доза, соответствующая 98% объема). Ламядев, диметь в виду или докторвыше (максимальная доза). Также были рассчитаны глобальные уровни прохождения гамма-излучения в режиме 3D с помощью модуля лучевой терапии 3D-Slicer с параметрами 3%/3 мм и 2%/2 мм с пределом дозы 10% соответственно.

Классификационный тест Уилкоксона (между SCT2 и CBCT, SCT2 и CBCT_cor, SCT2 и SCT1) был выполнен для MAE, ME, скорости пропускания гамма-излучения и дозиметрических параметров, описанных ранее. Для выполнения этих тестов использовался Статистический пакет для социальных наук (SPSS 21.0; SPSS Inc., Чикаго, Иллинойс, США). с<0,05 считалось статистически значимым.