基于少量样本的CBCT（计算机断层扫描）合成CT图像生成方法，该方法结合了去噪扩散概率模型

《MEDICAL PHYSICS》：Few-shot CBCT-based synthetic CT generation with denoising diffusion probabilistic model

针对自适应癌症放疗中CBCT图像质量差、HU值不准确的问题，提出了一种基于去噪扩散概率模型（DDPM）的合成CT（sCT）生成方法，结合通道和噪声条件化采样技术，仅需少量患者数据即可生成高保真sCT图像，显著降低伪影并保留解剖学变化，适用于头颈和骨盆等多解剖部位，临床医生评价显示sCT在剂量评估和分割中表现更优。

　　在现代癌症治疗中，适应性放射治疗正逐渐成为一种关键的临床策略。该方法的核心在于，通过定期重新优化治疗计划，以应对治疗过程中由于体重变化、器官位移等因素引起的解剖结构变化，从而确保治疗剂量的准确性和治疗效果的稳定性。然而，实现这一目标的关键挑战在于，如何在治疗期间利用高质量的在室图像进行每日监测和剂量评估。传统上，这类图像主要依赖于高精度的CT扫描，但实际临床中，CBCT（锥形束CT）图像因存在较高的伪影和较低的信噪比，导致其Hounsfield单位（HU）值不够准确，图像质量也难以满足分割和剂量计算的需求。

为了解决这一问题，研究人员提出了一种基于去噪扩散概率模型（DDPM）的解决方案，旨在利用少量的患者数据生成高质量的合成CT（sCT）图像。该方法不仅提升了CBCT图像的利用率，还减少了对传统CT扫描的依赖，从而降低了患者的辐射暴露和资源消耗。通过引入改进的采样过程，该模型能够在有限的数据集上实现有效的训练，并生成与实际CT图像高度一致的合成图像，进而支持适应性治疗计划的制定与调整。

### 方法概述

在本研究中，DDPM被用于从CBCT图像生成sCT图像。该模型基于图像对进行训练，而这些图像对是通过刚性配准获得的。不同于传统的CBCT-to-CT生成方法，该模型不需要进行复杂的变形配准，从而简化了训练过程并减少了计算资源的消耗。为了验证模型的有效性，研究团队使用了25名患者的数据作为训练集，并在另外7名和8名患者上进行验证和测试。此外，为了进一步测试模型的泛化能力，还使用了来自不同机构的公开数据集，如SynthRAD2023。

为了提高图像生成的质量，研究团队对模型的采样过程进行了优化。他们提出了一种结合通道条件和噪声条件的采样技术，该技术通过在CBCT图像中引入一定量的噪声，使其在潜在空间中逐渐与规划CT图像的表示融合，从而实现更精确的sCT生成。这一方法不仅提升了图像质量，还显著减少了伪影，并在一定程度上保留了CBCT图像中重要的解剖结构变化。

此外，研究还探讨了不同噪声调度策略对模型性能的影响。实验结果显示，使用余弦噪声调度能够实现最佳的图像质量，特别是在CBCT图像中引入部分噪声后，模型生成的sCT图像在平均绝对误差（MAE）、峰值信噪比（PSNR）和归一化互相关（NCC）等指标上均优于CBCT图像。例如，在测试数据集上，MAE从131 ± 17 HU降低至49 ± 7 HU，PSNR从20.0 ± 0.9 dB提升至22.9 ± 1.1 dB，NCC则从0.93 ± 0.01提高至0.96 ± 0.01。这表明，该方法在提升图像质量方面具有显著优势。

### 模型设计与实现

该模型基于2D U-Net架构，该架构包含六个下采样和六个上采样块，每个块内嵌有两个ResNet层。为了增强细节的保留能力，研究团队在其中一个下采样和一个上采样块中引入了空间自注意力机制。这一设计使得模型能够在处理复杂的医学图像时，更好地捕捉局部和全局的解剖特征。模型总共有约110百万个参数，训练过程在NVIDIA A100 GPU上进行，且仅需12小时即可完成训练，适用于临床机构的资源限制。

在训练过程中，模型从纯高斯噪声开始，逐步通过去噪步骤生成与CBCT图像匹配的CT图像。为了提升模型的性能，研究团队对采样过程进行了调整，采用非均匀的采样策略，以更高效地处理不同阶段的图像特征。例如，通过指数分布或三角分布进行采样，可以在早期阶段更快地收敛，从而提高训练效率。然而，实验结果表明，这些非均匀采样方法并未在最终的图像质量上超越线性采样策略。

为了验证模型的泛化能力，研究团队还使用了不同解剖部位的数据集，包括头颈部和盆腔区域。结果显示，该模型在盆腔区域同样表现良好，生成的sCT图像在MAE、PSNR和NCC指标上均优于CBCT图像，这表明该方法具有跨部位的应用潜力。

### 临床评估与反馈

除了定量指标，研究团队还通过临床医生的主观评价来验证sCT图像的实用性。他们邀请了三位经验丰富的放射肿瘤科医生和一名医学物理师，对生成的sCT图像进行质量评分，并评估其在剂量计算和分割任务中的适用性。结果显示，三位医生对sCT图像的平均评分分别为3.45、3.8和4.8（满分5分），表明sCT图像在质量上获得了较高的认可。同时，医生们对sCT图像的偏好率也达到了65%、70%和85%，显示出其在临床实践中的潜力。

医生们普遍认为，sCT图像在减少伪影、保持解剖结构一致性方面优于CBCT图像。然而，他们也指出，在某些情况下，pCT图像在软组织对比度、血管清晰度以及治疗床结构的完整性方面仍然具有优势。这表明，尽管sCT图像在大部分情况下能够满足临床需求，但在某些特定任务中，pCT图像仍然不可或缺。此外，医生们还提到，当sCT与pCT之间没有明显差异时，他们倾向于选择pCT图像，以确保安全性和可靠性。

### 与其他方法的对比

与现有的CBCT-to-CT生成方法相比，如基于GAN的模型（如cycleGAN），该研究提出的DDPM方法在图像质量和稳定性方面表现更优。虽然GAN方法在图像生成上取得了进展，但其训练过程容易出现不稳定和模式坍缩的问题，尤其是在小数据集上。相比之下，DDPM采用的多步去噪机制能够更稳定地学习图像特征，并在生成过程中逐步修正噪声，从而提高图像的保真度。

此外，研究团队还对比了不同噪声调度策略对模型性能的影响。实验发现，余弦调度策略在图像质量上表现最佳，特别是在减少伪影和保留解剖结构方面。例如，在某些情况下，使用余弦调度策略的sCT图像在脊柱形状的保留上优于其他策略。然而，使用线性或sigmoid调度策略的模型在早期阶段的性能相对较低，直到后期才逐渐接近余弦调度的结果。

### 模型的局限性与未来展望

尽管该方法在多个方面取得了显著进展，但仍然存在一些局限性。首先，模型在处理某些特定的伪影问题上表现不足，例如在盆腔区域，由于肠道气体的存在，某些图像可能无法准确生成。此外，模型在处理不同中心的数据时，其性能可能会受到影响，因为这些数据的采集方法和图像特征可能与原训练数据存在差异。因此，未来的研究可以探索结合CBCT和pCT图像进行训练，以进一步提升模型的泛化能力。

另一个潜在的改进方向是引入不确定性估计机制，以评估sCT图像在剂量计算任务中的可靠性。这不仅可以帮助医生判断生成图像是否适合用于剂量评估，还可以为治疗计划的调整提供更准确的参考。此外，随着计算资源的提升，研究团队还计划探索三维DDPM模型，以生成更完整的3D sCT图像，从而更好地支持临床决策。

### 总结与意义

综上所述，该研究提出了一种基于DDPM的合成CT图像生成方法，能够在小数据集上实现高质量的图像生成，并显著提升CBCT图像的临床适用性。该方法不仅减少了对传统CT扫描的依赖，还为适应性放射治疗提供了新的工具，使得治疗计划能够更灵活地应对解剖结构的变化。同时，该方法在减少伪影、提升图像质量方面表现出色，为临床医生在剂量评估和分割任务中提供了更可靠的选择。

研究结果表明，该方法具有良好的跨部位泛化能力，适用于头颈部和盆腔等不同解剖区域。此外，该方法在减少计算资源消耗方面也具有优势，使得它在资源有限的医疗机构中更具可行性。尽管存在一些局限性，如对特定伪影的处理能力不足，但这些挑战也为未来的研究提供了方向。

从临床实践的角度来看，该方法的引入有助于优化治疗流程，提高治疗的精确性和安全性。同时，它也为医学影像处理领域提供了新的思路，特别是在利用深度学习方法进行图像增强和合成方面。未来，随着更多数据的积累和计算能力的提升，该方法有望进一步完善，为更广泛的临床应用场景提供支持。