编辑推荐：
为解决放疗中 CT 模拟、MRI 模拟及自适应放疗（ART）面临的问题，研究人员开展了利用 StarGAN 从 CBCT 和 MRI 生成合成 CT（sCT）的研究。结果显示 StarGAN 在解剖结构保留上表现更优，这对实现 MRI 模拟和 ART、优化放疗流程意义重大。
在癌症治疗的舞台上，放疗扮演着极为关键的角色，它就像一位精准的射手，力求将辐射精确地投射到肿瘤上，同时最大程度减少对健康组织的伤害。然而，要做到这一点并不容易。传统的 CT 模拟虽然是轮廓勾画的金标准，但在软组织可视化方面存在不足；MRI 模拟虽能更清晰地显示软组织，却缺乏用于确定电子密度的 Hounsfield 单位（HU），而这对于放疗计划中的辐射剂量计算至关重要。此外，自适应放疗（ART）需要根据患者每天的解剖结构调整治疗计划，目前常用的 MRI 和锥束计算机断层扫描（CBCT）都各自存在问题，比如 MRI 可能出现几何畸变，CBCT 图像质量受多种伪影和有限视野的影响 。
为了攻克这些难题，来自泰国玛希隆大学（Mahidol University）的研究人员踏上了探索之旅。他们聚焦于利用深度学习模型来生成合成 CT（sCT）图像，旨在为放疗提供更准确的数据支持。相关研究成果发表在《Radiation Oncology》上。
在这项研究中，研究人员运用了多种关键技术方法。首先是数据采集，他们收集了 53 例盆腔癌患者的资料，包括计划 CT（pCT）、MRI 和 CBCT 图像。接着进行数据预处理，以 pCT 为参考进行刚性配准，划分训练集、验证集和测试集，并对数据进行归一化等操作 。同时，研究人员采用了两种深度学习模型 ——CycleGAN 和 StarGAN。其中，CycleGAN 由生成器和判别器组成，通过对抗损失、循环一致性损失和身份损失来优化模型；StarGAN 则采用 SuperStarGAN 结构和 2D UNet 架构，包含生成器、判别器和分类器，通过相应的损失函数进行训练 。
下面来看看具体的研究结果：
- 定性评估：对于从 CBCT 生成的 sCT，StarGAN 在解剖结构保留方面表现更出色，尽管其减少伪影的能力稍逊于 CycleGAN，但图像更清晰，能更好地维持空气和膀胱结构。从 MRI 生成的 sCT，CycleGAN 生成的图像更锐利，但在保持解剖结构方面存在缺陷，比如膀胱形状扭曲，而 StarGAN 在生成接近 pCT 的 HU 值上有一定优势 。
- 定量评估：在图像相似性指标上，从 CBCT 生成的 sCT，两种模型的结构相似性指数（SSIM）略高于 CBCT，峰值信噪比（PSNR）则略低于 CBCT；从 MRI 生成的 sCT，SSIM 和 PSNR 均低于 CBCT 。在平均绝对误差（MAE）方面，StarGAN 始终高于 CycleGAN 。在几何准确性评估中，所有 CBCT 和 sCT 图像在身体区域的 Dice 相似系数（DSC）都超过了 0.8 的阈值，但从 MRI 生成的 sCT 在骨区域的 DSC 与 CBCT 相比差异更明显 。在剂量学准确性评估中，对于从 CBCT 生成的 sCT，StarGAN 在减少计划靶区（PTV）和身体的剂量差异（DD）方面表现更优；从 MRI 生成的 sCT，两种模型的 DD 大多在 2% 的阈值内，但 CycleGAN 的剂量差异更接近 0%，不过变异性更大 。此外，所有模型的伽马通过率（GPR）都超过 90% 。
综合研究结果和讨论部分，StarGAN 在从 CBCT 和 MRI 生成 sCT 方面展现出了与常用的 CycleGAN 相当的质量，且在解剖结构保留上更具优势。这一成果对于实现 MRI 模拟和 ART 具有重要意义，有望优化放疗工作流程，为癌症患者带来更精准、更有效的放疗方案。它为放疗领域的发展开辟了新的道路，让我们在对抗癌症的征程中又多了一件有力的武器。
