多路径循环生成对抗网络（Multipath CycleGAN）用于配对与未配对低剂量肺部计算机断层扫描重建核函数的协同优化

《MEDICAL PHYSICS》：Multipath cycleGAN for harmonization of paired and unpaired low-dose lung computed tomography reconstruction kernels

本研究提出一种多路径CycleGAN模型，通过共享潜在空间和谐化不同厂商的CT重建核，减少肺气肿量化差异，并在多中心纵向研究中保持解剖结构一致性，验证了统一框架的有效性。

　　在医学影像领域，特别是计算机断层扫描（CT）中，重建内核（reconstruction kernels）对图像的空间分辨率和噪声分布具有显著影响。这种影响会导致不同内核重建图像在定量分析中出现系统性差异，尤其是在肺部影像中对肺气肿的表征。尽管在同一制造商的不同内核之间进行图像标准化是可行的，但在多中心或纵向研究中，由于不同制造商的图像采集协议、视野范围和重建窗口存在差异，标准化任务变得更为复杂。这些差异使得不同内核的图像在定量测量上难以直接比较，因此，建立一个统一的参考内核以标准化所有图像，成为确保定量分析可靠性和一致性的重要手段。

图像标准化的方法通常分为两类：基于物理模型的方法和基于深度学习的方法。基于物理模型的方法依赖于点扩散函数（PSF）和调制传递函数（MTF）的建模，通过这些函数调整不同内核之间的差异。例如，Ohkubo 等人使用 MTF 比值进行内核过滤，以减少肺部CT图像中肺气肿的测量差异。而 Sotoudeh-Paima 等人则开发了 CT HARMONICA，利用 MTF 和自适应维纳滤波器，对CT图像进行标准化处理，以提升肺气肿测量的准确性。然而，这类方法通常需要通过幻象数据进行经验估计，这在回顾性研究中可能并不总是可行。

相比之下，基于深度学习的方法为图像标准化提供了更为灵活和强大的工具。这些方法包括监督学习和非监督学习两种类型。监督学习依赖于“配对”数据，即同一受试者在不同内核下的图像之间存在像素级别的对应关系。而非监督学习则适用于“非配对”数据，即来自不同制造商的图像之间缺乏像素对应关系。Lee 等人开发了一种基于卷积神经网络（CNN）的模型，利用残差学习策略，能够有效减少肺气肿的测量差异，而无需原始投影数据。Eun 等人则引入了超分辨率网络和挤压激励块网络，以提升不同内核之间的图像相似性。Choe 等人进一步验证了CNN在肺部结节的放射组学特征再现中的有效性，而 Jin 等人提出了一种两阶段方法，先进行伪影补偿，再进行内核标准化，显著提升了肺气肿的定量分析效果。

然而，上述方法通常局限于特定制造商的配对数据，难以处理跨制造商的非配对图像。因此，非配对内核标准化成为当前研究的热点。近年来，一些研究尝试利用生成对抗网络（GAN）实现跨制造商的非配对图像标准化。例如，Selim 等人开发了一种基于动态窗口的GAN模型，用于头颅和面部骨CT图像的标准化，并展示了良好的图像相似性。Yang 等人则提出了一种可切换的cycleGAN模型，用于非配对内核的标准化，引入了自注意力模块和基于特征的域损失函数，以提高放射组学特征的可重复性。Gravina 等人则利用cycleGAN对PET图像中的不同内核进行了标准化，进一步验证了GAN在非配对数据中的应用潜力。

本研究提出了一种基于共享潜在空间的多路径cycleGAN模型，旨在解决跨制造商的配对和非配对内核标准化问题。该模型结合了配对和非配对数据，通过统一的潜在空间实现不同内核之间的映射。模型的核心思想是：利用域特定的编码器-解码器架构，通过共享潜在空间实现多域图像到图像的转换。此外，模型还引入了多种损失函数，包括对抗损失、循环一致性损失和身份损失，以确保图像在标准化过程中保持放射组学特征的稳定性，并避免图像质量的显著变化。

为了验证模型的有效性，研究团队在低剂量肺部癌症筛查数据集中进行实验，选取了来自多个制造商的7种代表性内核：Siemens B50f（硬）、Siemens B30f（软）、GE BONE（硬）、GE STANDARD（软）、GE LUNG（硬）、Philips C（软）和Philips D（硬）。研究共使用了100个扫描数据进行训练，覆盖了42种不同的内核组合。通过240个未使用的扫描数据进行验证，评估模型在肺气肿定量测量上的表现。此外，研究还对标准化后的图像进行了解剖一致性评估，使用TotalSegmentator工具对肺血管、肌肉和皮下脂肪组织进行分割，并通过Dice分数衡量标准化前后的解剖一致性。

研究结果显示，对于配对内核，多路径cycleGAN在肺气肿测量中表现优于传统cycleGAN和可切换cycleGAN模型。具体而言，多路径cycleGAN在多个配对内核组合中实现了更小的测量差异，特别是在（B50f, B30f）和（BONE, STANDARD）对中，其表现尤为突出。而在非配对内核的标准化中，模型在部分内核组合中表现良好，如（GE BONE → Siemens B30f）和（GE STANDARD → Siemens B30f），但与可切换cycleGAN相比，其在部分内核的标准化效果仍有提升空间。此外，当所有软内核被标准化为硬内核时，模型表现优于可切换cycleGAN，且与传统cycleGAN相当。

研究还通过一般线性模型（GLM）分析了内核对肺气肿测量的影响，并控制了年龄、性别和吸烟状态等变量。结果显示，标准化后，内核对肺气肿测量的影响显著降低，表明模型在消除系统性差异方面具有较高的有效性。此外，通过Cohen's d效应量的计算，研究团队评估了标准化前后不同解剖结构的一致性。结果表明，多路径cycleGAN在肌肉和皮下脂肪组织的解剖一致性方面表现优于传统cycleGAN，但在肺血管的标准化中，其表现与可切换cycleGAN相当，但略逊于传统cycleGAN。

尽管多路径cycleGAN在标准化过程中表现出良好的性能，但研究也指出了其存在的局限性。例如，在某些非配对内核的标准化中，模型可能会引入一些伪影或错误的组织结构。此外，研究团队指出，模型在标准化过程中未能完全消除所有非配对内核的差异，尤其是在Philips D和C内核的标准化中，效果仍需进一步优化。为了进一步提升模型的性能，研究建议引入更多的解剖学约束条件，例如利用分割掩膜对关键解剖结构进行约束，以减少伪影的出现。

总体而言，本研究提出了一种基于多路径cycleGAN的图像标准化方法，能够有效处理配对和非配对CT内核的标准化问题。该方法通过共享潜在空间，实现了不同内核之间的统一映射，提升了肺气肿测量的一致性，并保持了图像的解剖学特征。这不仅有助于提升医学影像分析的可靠性，还为多中心和纵向研究中的图像标准化提供了新的思路。随着CT技术的不断发展，图像标准化的需求日益增加，而基于深度学习的方法在这一领域展现出巨大的潜力。未来的研究可以进一步优化模型的性能，探索更多潜在空间的特性，并拓展其在其他医学影像任务中的应用。