基于双能锥束CT和深度学习的放疗在体剂量监测基准合成方法

作     者：胡慧敏 董正坤 余疏桐 林晨 黎田 张艺宝 

作者机构：北京大学医学部医学技术研究院，北京　100191 北京大学未来技术学院，北京　100871 北京大学核物理与核技术国家重点实验室，北京　100871 香港理工大学医疗科技及资讯学系，香港　999077 北京大学肿瘤医院暨北京市肿瘤防治研究所放疗科，恶性肿瘤发病机制及转化研究教育部重点实验室，北京　100142 

出 版 物：《中华放射医学与防护杂志》 (Chinese Journal of Radiological Medicine and Protection)

年 卷 期：2025年第45卷第2期

页      面：129-136页

核心收录：

基　　金：国家自然科学基金 北京市自然科学基金 中央高校基本科研业务费/北京大学临床医学+X青年专项 教育部内地与港澳高等学校师生交流计划项目 国家重点研发计划 内蒙古自治区科技计划 

主　　题：在线自适应放疗 在体剂量监测 双能锥束CT 对抗生成网络 

摘      要：目的:利用改进的CycleGAN网络实现从双能kV锥形束CT(DECBCT)到兆伏级(MV)投影的转换，为在线自适应放疗等先进技术的安全实施提供潜在可用的出射束在体剂量参考基准和实时监测方法。方法:利用4D扩展心脏躯干(XCAT)模型生成模拟患者数据，基于Varian机载锥束CT的几何参数生成投影，并通过迭代双能分解算法从DECBCT图像中获取相对电子密度(RED)图像。分别以DECBCT投影和RED图像的投影作为输入，训练SE-CycleGAN和CycleGAN网络用于生成MV投影图像。利用结构相似性指数(SSIM)、峰值信噪比(PSNR)、均方根误差(RMSE)等指标评估各方法的有效性。结果:SE-CycleGAN生成结果的全部评价指标显著优于CycleGAN( Z＝－23.92、－26.17、－25.54、－26.80、－11.54、－11.21， P0.05)，尤其在全局信息的学习方面。此外，使用DECBCT投影图像作为输入的训练效果优于使用RED图像，尽管两者均能生成较为理想的MV投影图像。在测试集的全部3 636组投影中：以DECBCT投影作为输入的SE-CycleGAN网络和CycleGAN网络的评估结果分别为：0.997 7±0.000 7、0.997 1±0.001 6 (SSIM);39.625 0±4.684 4、36.272 2±5.566 3 (PSNR);0.004 1±0.002 7、0.006 3±0.004 3 (RMSE)。以RED投影作为输入的SE-CycleGAN网络和CycleGAN网络的评估结果分别为：0.996 8±0.001 0、0.996 2±0.001 5(SSIM);38.548 7±3.637 4、36.007 3±4.437 8 (PSNR);0.004 3±0.002 2、0.006 1±0.003 7(RMSE)。 结论:本研究利用双能锥束CT和深度学习技术，提出了建立在体剂量监测参考基准的新方法，并基于虚拟仿真实验初步证明了该方法的准确性和有效性。