基于循環生成對抗網絡遷移修正鼻咽癌兆伏級CT圖像

黃星武,傅萬凱*,陳傳本,柏朋剛,陳濟鴻,林蔚林,楊海松

(1.福建醫科大學腫瘤臨床醫學院,福建 福州 350014;2.福建省腫瘤醫院放療中心,福建 福州 350014)

調強放射治療(intensity-modulated radiation therapy, IMRT)是治療鼻咽癌(nasopharyngeal carcinoma, NPC)的主要手段[1];隨放射治療(放療)次數增加,腫瘤靶區(gross target volume, GTV)及轉移的頸部淋巴結可發生解剖改變,空間位置及劑量分布亦發生相對變化,導致實際照射劑量與原計劃劑量存在差異而影響放療的精確性[2]。自適應放療(adaptive radiotherapy, ART)鼻咽癌可通過圖像引導方式評估患者體位改變,觀察治療過程中正常組織結構及腫瘤形態、位置變化,指導調整后續放療計劃[3]。螺旋斷層放射治療(helical tomotherapy, HT)是以兆伏級CT(megavoltage CT, MVCT)為實時引導、通過螺旋方式行薄層照射的IMRT設備,可用于鼻咽癌ART[4];但MVCT與千伏級CT(kilovolt CT, kVCT)間CT值存在一定差距[5],且MVCT圖像對比度較低[6],其基于模體的圖像灰度到電子質量密度曲線(image value to density table, IVDT)可隨時間而發生變化,使直接以MVCT計算劑量的精確度有限。近年來,生成式對抗網絡(generative adversarial network, GAN)已廣泛用于圖像處理,由此發展而來的循環GAN(cycle GAN, CycleGAN)[7]已用于提高CT圖像質量[8-9]。本研究觀察CycleGAN用于修正鼻咽癌MVCT圖像的價值。

1 資料與方法

1.1 一般資料 選取2020年10月—2022年12月101例于福建省腫瘤醫院接受CT掃描及HT治療的首診鼻咽癌患者,男78例、女23例,年齡22～74歲、平均(45.0±15.2)歲;均未發生遠處轉移。

1.2 儀器與方法 采用Philips Brilliance Big Bore大孔徑定位模擬CT機,Accuray TomoHD螺旋斷層放療系統,VELOCITY4.0腫瘤多模態影像管理軟件,Pinnacle16.2放療計劃系統。囑患者仰臥,以熱塑膜及發泡膠固定其頭頸部,采集計劃CT(plan CT, pCT)圖像,掃描范圍為顱頂至鎖骨下3 cm,層厚3 mm,分辨率512×512;采集MVCT圖像,掃描范圍顱底至第6頸椎,能量3.5 MV,掃描模式Normal,層厚4 mm,分辨率512×512。

1.3 圖像處理 將圖像導入VELOCITY4.0軟件,以MVCT為基準對pCT進行重采樣至MVCT體素及尺寸,以所獲重采樣CT(resampled CT, RCT)圖像為評價圖像的參考標準。隨機選擇80例為訓練集,包括RCT和MVCT圖像各8 945幅;以其余21例為測試集,包括RCT和MVCT圖像各2 133幅;將RCT和MVCT圖像輸入CycleGAN進行訓練和測試。采用圖像融合顯示及多窗口圖像對比顯示方法評估配準結果,以閾值分割及形態學處理方法對外輪廓進行二進制掩膜,將掩膜外區域CT值設置為-1 000 HU、圖像CT值范圍裁剪至(-1 000,2 000);輸入模型前將圖像CT值重新歸一化至(-1,1),以提高訓練穩定性。

1.4 勾畫靶區與危及器官 按照國際輻射單位和測量委員會(International Commission on Radiation Units and Measurements, ICRU)要求,結合病理及影像學所見勾畫靶區和危及器官。靶區指影像學及臨床檢查可見的原發腫瘤及其侵犯范圍,即GTV-腫瘤(GTV-tumor, GTV-T);以頸部左側轉移淋巴結為左側淋巴結(GTV-node left, GTV-NL)、頸部右側轉移淋巴結為右側淋巴結(GTV-node right, GTV-NR);以GTV-T+ GTV-T外擴5 mm+相應鼻咽腔黏膜及黏膜下5 mm為臨床靶區(clinical target volume, CTV)1;根據腫瘤侵犯位置和范圍對其進行適當擴充而得到CTV2;分別以頸部左、右側轉移淋巴結的CTV為CTV-NL(CTV-node left)及CTV-NR(CTV-node right);將以上各靶區外擴3 mm得到計劃靶區(plan target volume, PTV),分別為GTV-T-P、GTV-NL-P、GTV-NR-P、CTV1-P、CTV2-P、CTV-NL-P及CTV-NR-P。

1.5 CycleGAN 算法模型及結構參數 采用CycleGAN訓練網絡模型(圖1)。將RCT及MVCT數據輸入CycleGAN網絡;前向循環中,MVCT通過生成器GRCT生成RCT風格的偽CT(synthesized CT, sCT),再通過GMVCT轉換回到MVCT風格的循環MVCT(cycle MVCT, CMVCT);逆向循環中以同理生成偽MVCT(synthesized MVCT, sMVCT)和循環CT(cycle CT, CCT);之后由判別器DRCT和DMVCT對輸入圖像進行判斷。

圖1 CycleGAN模型訓練示意圖 A.前向循環; B.逆向循環 (G為生成器,D為判別器,L為損失函數)

CycleGAN損失函數L分為對抗損失函數[公式(1)、(2)]和循環一致損失函數[公式(3)、(4)],其計算公式如下:

LRCT=ERCT[(1-DRCT(RCT))2]+EMVCT[(DRCT(GRCT(MVCT)))2]

(1)

LMVCT=EMVCT[(1-DMVCT(MVCT))2]+ERCT[DMVCT(GMVCT(RCT))2]

(2)

Lfw=EMVCT[||MVCT-GMVCT(GRCT(MVCT))||1]

(3)

Lbw=ERCT[||RCT-GRCT(GMVCT(RCT))||1]

(4)

其中,ERCT[(1-DRCT(RCT))2]是將RCT輸入判別器D所得到的實際判別值與理想值之間的均方誤差的期望值;EMVCT[(DRCT(GRCT(MVCT)))2]是將MVCTT輸入生成器G、再輸入判別器D所得的實際判別值與理想值之間的均方誤差的期望值;EMVCT[||MVCT-GMVCT(GRCT(MVCT))||1]是將MVCT輸入GRCT、再輸入GMVCT所得CMVCT與輸入MVCT之間的平均絕對誤差(mean absolute error, MAE)的期望值;由此獲得EMVCT[(1-DMVCT(MVCT))2]、ERCT[DMVCT(GMVCT(RCT))2]及ERCT[||RCT-GRCT(GMVCT(RCT))||1]。

訓練期間采用總目標函數Lcyclegan優化生成器和判別器:

Lcyclegan=LRCT+LMVCT+λ(Lfw+Lbw)

(5)

其中,λ為循環一致性損失與對抗性損失的權重比,用于調節最終生成數據之間的相關性。

以Tensorflow框架建立網絡參數,設置λ=10,采用Adam算法進行優化,設一階矩衰減系數β1=0.5,二階矩衰減系數β2=0.5,batchsize=2,epoch=100,初始學習率0.000 2,20個epoch后學習率線性衰減。

1.6 CT值比較 采用MAE比較測試集sCT與RCT、MVCT與RCT間的CT值差異,計算公式如下:

(6)

其中,i,j為圖像坐標位置,f(i,j)為掩膜內RCT圖像(i,j)處的像素值,t(i,j)為sCT及MVCT圖像(i,j)處的像素值,nxny為像素總數。

1.7 計算劑量 測試集MVCT經CycleGAN訓練模型遷移轉換后生成sCT。采用VELOCITY4.0軟件將于pCT勾畫的靶區及危及器官形變配準至RCT上,再分別將sCT和RCT圖像導入Pinnacle16.2計劃系統;根據RCT及勾畫靶區設計計劃,GTV-T-P、GTV-NL-P和GTV-NR-P處方劑量為6 996 cGy/33次,CTV1-P為6 006 cGy/33次,CTV2-P、CTV-NL-P和CTV-NR-P為5 610 cGy/33次;之后保持計劃參數不變,計算基于sCT的劑量分布。

計算GTV-T-P、GTV-NL-P、GTV-NR-P的D95和D98,危及器官腦干D1cc、脊髓D1cc、晶狀體Dmax,腮腺Dmean和V30;D95和D98分別代表靶區95%和98%體積內的最小劑量,Dmax和Dmean分別代表最大劑量和平均劑量,D1cc為1 ml體積內的最大劑量,V30為危及器官中超過30 Gy的體積占該危及器官總體積的百分比。

1.8 統計學分析 采用SPSS 25.0統計分析軟件。以±s形式表示符合正態分布計量資料,行配對t檢驗;以中位數(上下四分位數)表示不符合者,行非參數檢驗。P<0.05為差異有統計學意義。

2 結果

2.1 MAE 測試集MVCT與RCT圖像之間、sCT與RCT圖像之間的CT值的MAE分別為132.67(121.84,138.28)HU及76.77(62.71,86.43)HU,差異有統計學意義(Z=-5.466,P<0.001),即修正后sCT圖像的CT值更接近kV級RCT圖像。見圖2。

圖2 測試集MVCT與RCT和sCT與RCT圖像CT值MAE柱狀圖

2.2 劑量計算 除GTV-NR-P的D95和左晶狀體Dmax外,sCT與RCT圖像其余劑量參數差異均無統計學意義(P均>0.05)。見表1、2及圖3、4。

表1 鼻咽癌sCT與RCT圖像GTV-T、GTV-NL、GTV-NR劑量分布比較(Gy)

表2 鼻咽癌sCT與RCT圖像危及器官劑量分布比較

圖3 鼻咽癌患者,男,45歲 A～C.頭頸部軸位(A)、矢狀位(B)及冠狀位(C)sCT圖像顯示劑量分布; D～E.頭頸部軸位(D)、矢狀位(E)及冠狀位(F)RCT圖像顯示劑量分布 (以不同顏色代表不同劑量分布區)

圖4 劑量體積折線圖 A.sCT; B.RCT (不同顏色表示不同劑量分布區)

3 討論

鼻咽癌MVCT圖像用于ART存在一定限制。PUKALA等[10]指出,直接采用頭頸部MVCT圖像,經IVDT轉換后進行劑量計算的誤差高達5%,難以保證計算ART劑量的精確性,需對圖像質量加以提升。

將CycleGAN網絡框架用于腫瘤ART已見于報道。LIANG等[11]采用CycleGAN算法將錐形束CT(cone beam CT, CBCT)圖像轉換為類似pCT的sCT,對CT值進行校正,使生成的sCT圖像擁有與pCT圖像相似的CT值及平滑度,并用于計算ART劑量。本研究采用CycleGAN算法對鼻咽癌MVCT進行遷移修正,使生成的sCT與pCT的CT值差距縮小,修正后其與RCT圖像之間的CT值MAE由132.67(121.84,138.28)HU降至76.77(62.71,86.43)HU;對sCT與RCT腫瘤靶區和危及器官劑量分布的分析結果顯示,除GTV-NR-P的D95和左晶狀體Dmax外,sCT與RCT圖像其余劑量參數差異均無統計學意義。鼻咽癌IMRT過程中,危及器官可發生體積改變,尤以腮腺為著。本研究sCT與RCT圖像中雙側腮腺Dmean和V30差值均小于2%,提示臨床可通過遷移修正MVCT后分析和監測腮腺劑量。

VINAS等[12]采用CycleGAN算法將MVCT轉換成類似于pCT風格的sCT,使sCT中肌肉-脂肪、骨-脂肪和骨-肌肉對比度分別由MVCT的1.6±0.3、7.6±1.9、6.0±1.7提高至14.8±0.4、122.7±22.6、107.9±26.5,接近kV級pCT的對比度(15.2±0.8、124.9±27.0、109.7±26.5);同時,sCT圖像噪聲顯著降低,信噪比提高約1個數量級,與pCT信噪比一致。本研究發現,遷移、修正MVCT圖像后,生成的sCT圖像質量亦得到一定程度改善,但未進行詳細分析,有待后續進一步探索。

綜上所述,采用CycleGAN修正鼻咽癌MVCT圖像可使其與kV級pCT圖像的CT值差距明顯縮小并能用于計算劑量。但本研究部分樣本體內存在異常密度物質(如金屬義齒、輸液港、體內異常高密度植入物等),可能對kV級pCT圖像CT值歸一化產生影響,有待后續尋找有效方法以防止圖像遷移異常。