CBCT

目的：目前锥形束CT (CBCT)的临床应用仅限于患者设置。

成像伪影和亨氏单位(HU)的不精确性使得基于CBCT的自适应规划过程目前不切实际。在本研究中，我们开发了一种基于深度学习的方法来提高CBCT图像质量和HU精度，以潜在地扩展临床应用于CBCT引导的胰腺适应性放射治疗。

方法：选取30例既往接受胰腺SBRT治疗的患者。在第一部分治疗前获得的CBCT被登记到计划CT中，用于训练和生成合成CT (sCT)。采用自注意循环生成对抗网络(cycleGAN)生成基于CBCT的sCT。对于30例患者的队列，基于ct的轮廓和治疗计划转移到第一组CBCT和sct进行剂量学比较。

结果：在腹部部位，CT与sCT的平均绝对误差(MAE)为56.89±13.84 HU，而CT与原始CBCT的平均绝对误差为81.06±15.86 HU。CT方案与sCT方案的PTV和OAR剂量-体积直方图(DVH)指标差异无统计学意义(P > 0.05)，而CT方案与CBCT方案之间差异有统计学意义(P < 0.05)。

结论：CT与sCT的图像相似性及剂量学一致性验证了sCT计算剂量的准确性。基于CBCT的sCT方法可以潜在地提高治疗精度，从而最大限度地减少胃肠道毒性。

胰腺癌是癌症相关死亡的主要原因之一，预后持续较差，5年总生存率(OS)为9%。虽然手术是最好的治疗选择，但大多数患者不能切除，因为他们要么表现为局部晚期胰腺癌(LAPC)，要么表现为远处转移。在LAPC患者中，与传统放疗相比，立体定向体放疗(SBRT)在短疗程内采用高辐射剂量，已证明改善了局部区域控制，这可能转化为改善生存。然而，胰腺SBRT存在一些挑战，即在呼吸周期中可以观察到高达3厘米的胰腺运动4，并且在治疗过程中患者体重减轻相当常见。在计划和给药过程中应谨慎，尽量减少对胃和十二指肠等高危器官的次优目标覆盖和过量剂量。图像采集通常涉及呼吸管理和日常锥形束CT (CBCT)的使用。

On-board CBCT目前在大多数诊所广泛使用。CBCT的结合允许目标位置验证和设置位移校正。在胰腺SBRT的应用中，在治疗过程之前，通常在肿瘤中插入金基准，以辅助CBCT为基础的日常设置。这种方法考虑到胰腺可能有显著的部分间运动;然而，这并不能解释胰腺周围桨叶的位置和形状的变化。因此，过量的剂量可能会被输送到桨叶，导致胃肠道毒性。为了解决这一临床挑战，MRI引导的适应性规划已经提出，以保留与治疗目标相邻的正常组织。5由于MR图像不能提供电子密度信息的限制，通常采用基于MR变形的桨形等高线对原规划CT进行自适应规划。虽然MRI可以获得比CBCT更好的软组织对比度，但这种方法有一些局限性。首先，MR-CT配准过程本身会引入2-5 mm的不确定性。此外，MR图像的获取时间较长，这可能会导致运动诱导伪影，降低组织勾画的精度。此外，胰腺患者在治疗过程中通常会出现显著的体重/尺寸下降。利用变形配准将MR图像配准到原规划CT上，忽略了这一解剖变化。自适应规划的另一种方法是将规划CT变形为CBCT，以考虑解剖学变化。虽然这种方法倾向于在治疗前立即代表患者的真实解剖，但它仍然在很大程度上依赖于执行变形配准的算法的准确性。在头部和颈部等较为稳定的疾病部位，它可以产生良好的剂量测定结果，但在腹部部位，由于患者的大量运动和不同的器官水/空气填充状态，它的效果较差。

显然，直接使用CBCT进行适应性放疗更有利，没有配准过程带来的额外误差。然而，原始CBCT数据不适合用于剂量计算。这是因为与CBCT相关的大量伪影，如条纹、阴影、拔火罐和散射污染引起的图像对比度降低。因此，CBCT HU值通常波动，并与基于CT的数值有显著差异。为了克服上述阻碍CBCT直接用于自适应规划的缺点，必须提高CBCT成像质量和HU保真度。已经有很多出版物论述了CBCT质量提高这一任务。传统的方法可以大致分为硬件校正，如源端的准直器和探测器端的抗散射网格，和基于模型的校正，如分析方法和蒙特卡罗模拟。硬件方法的局限性包括严重的热加载问题和由于量子效率降低而导致的图像质量下降;在基于模型的技术中发现的问题包括物理模型的容量，计算效率，以及如果使用先验CT信息，CT和CBCT的解剖差异。

鉴于其在各种医学成像领域的巨大成功，基于机器学习的方法也被提出用于CBCT校正任务，通过训练过程来预测CBCT-to-CT模型，以学习CBCT和CT之间的综合关系。为了使其一致，本文其余部分将基于机器学习的方法生成的校正后的CBCT称为合成CT (sCT)。

通常，基于机器学习的方法的训练过程在计算上是昂贵的，但一旦训练完成，当新的CBCT输入时，sCT的预测将在很短的时间内完成。预测速度快，在适应性放射治疗的应用中具有良好的应用前景。虽然相对较新，但已经有一些研究报道了由CBCT生成sCT。从训练数据集的组成来看，大致可以分为以下两类:CBCT-corrected CBCT pairs28 - 31和CBCT-planning CT pairs。3在前一类中，校正后的CBCT与sCT的区别在于，它是通过分析方法28或蒙特卡罗模拟得到的校正后图像的投影或重建。2尽管在详细的设计和算法上存在很大差异，但前者使用基于深度学习的2D残差U-net网络来生成sCT。在这些工作中，可以在成像质量和剂量计算精度方面发现令人鼓舞的改进。然而，定量成像和剂量学比较是在sCT和参考校正CBCT之间进行的，而不是直接与临床使用的规划CT进行比较。尽管与校正后的CBCT相比，sCT甚至可以发现改进，28,29用于生成校正后的CBCT的物理模型仍然会限制机器学习算法的学习范围。另一方面，基于CBCT-planning CT的训练数据集存在CBCT与planning CT之间存在不同的器官充盈状态和气穴位置的限制，这可能会影响学习到的CBCT-to- sCT映射算法的准确性。因此，网络的设计必须足够健壮，以减轻不完善的训练数据集的缺点。Kida等32使用2D U-net深度卷积神经网络(DCNN)和平均绝对误差(MAE)作为骨盆CBCT-to-sCT生成的损失函数。

同样的，Li等34使用带有剩余卷积单元的U-net DCNN进行头颈部CBCT-to-sCT生成。sCT和CT之间的MAE范围为6-27 HU。Lei等人应用解剖特征选择和交替随机森林框架对大脑和骨盆部位的CBCT伪影校正。平均mae分别为12.81±2.04 HU和19.94±5.44 HU。最近，cycleGAN37被提出用于处理医学成像中的多个应用中的未配对训练数据，如基于mri的sCT生成，38-42器官分割，43,44和基于cbct的sCT生成。3CycleGAN结合了一个逆变换，以更好地将训练模型约束为一对一映射。在CBCT-to-sCT生成应用中，Liang等33使用cycleGAN训练CBCT-planning CT数据集，不进行变形配准。利用CT生成的cycleCBCT对网络进行约束。头颈部患者组的平均MAE为29.85±4.94 HU。同样，我们的小组(Harms et al)36发表了使用cycleGAN的CBCT-to-sCT生成方法，并在循环一致性损失函数中加入了残留块和新的复合损失。本研究中大脑和骨盆部位的平均mae分别为13.0±2.2和16.1±4.5 HU。在Harms等人的研究中，作者提到，虽然cycleGAN最初是为未配对映射设计的，37在医学成像中的应用中，由于成像的复杂性，仍然建议采用刚性配准来保留定性值。

在本研究中，我们的目标是生成可用于适应性放射治疗的胰腺sCT。由于腹部运动较大，肠内气囊状态不同，内部肿瘤与器官位置存在空间不匹配。通过形变配准，将CBCT图像与规划CT进行配对。主网络是基于由Harms等人开发的cycleGAN来考虑不匹配的数据集。使用更大的3D补丁尺寸(64 × 64 × 64)来捕获更多的空间关系。

为了解决由运动伪影引起的CBCT图像模糊问题，在生成器架构中引入注意门(AG)45，学习结构变化，通过结构变化获取最相关的语义上下文信息。本研究纳入了在同一研究所接受SBRT的30名胰腺癌患者的队列。基于CT的初始方案转移到CBCT和sCT进行剂量学比较。

本工作的主要贡献包括:(a)本研究将基于深度学习的方法应用于基于CBCT的胰腺癌自适应治疗，这是一种新的方法，对未来的临床实践有很大的帮助。(b)在cycleGAN网络中加入注意门策略，以更好地区分器官边界。

研究队列由30名胰腺癌患者组成，他们于2017年至2019年在我们的诊所接受了屏息SBRT。CT扫描采用Siemens (Erlangen, Germany) SOMA TOM Definition AS，电压为120 kVp。CT扫描时胃里注射了造影剂。ma在77到378之间。CT层厚1.5 mm，上下覆盖范围291 ~ 568.5 mm。左右前后体素大小为0.977 mm，视场为500 × 500 mm2。CBCT在每个治疗分数之前，在Varian True-Beam (Varian医疗系统公司)进行扫描。帕洛阿尔托，美国)，125kvp。曝光电流为80 mA。CBCT层厚1.99 mm，上下覆盖174.99 mm。体素大小为0.91 mm, FOV为464.91 × 464.91 mm2。第一部分CBCT和CTs作为训练数据集。图像数据在IRB批准的协议下进行回顾性提取。图像导入到V elocity AI 3.2.1 (V arian Medical Systems, Inc.)。帕洛阿尔托，美国)进行注册和重新采样。首先，通过对准椎体骨等骨结构，进行刚性配准，使CBCT与CT配对。

然后进行CBCT到CT的形变配准。在V速度下，变形算法选择可变形多道。然后对变形的CBCT进行重新采样，使CBCT和CT之间的数据量和体素大小相同。

在获得成对的CBCT-CT数据集后，为了最小化不同气穴状态对机器学习网络的混淆影响，将CT中的气穴复制到CBCT中；同样，CBCT中的气囊也复制到CT中。我们的算法在训练和预测过程中，对30对CBCT-CT训练对进行了留一交叉验证。

由于患者运动引起的器官形状/位置不同，CBCT与CT图像不可避免地存在不匹配。因此，训练CBCT-to-CT转换模型可能是高度受限的，这意味着在转换过程中，小的数据错误可能会被放大。为了解决在一个方向上潜在的错误映射问题，我们的小组在大脑和骨盆的位置上使用了cycleGAN。3感兴趣的读者可以参考Harms等人的论文来了解网络的详细设计，在这里我们只提供一个简单的描述:一个典型的基于gan的方法使用生成器和鉴别器网络相互竞争。具体来说，生成器的训练目标是从CBCT图像生成类似ct的图像，称为sCT。鉴别器的训练目标是区分sCT和真实CT。

通过训练可以提高生成器和鉴别器网络的性能。cycle-GAN37通过执行逆变换，即将CT转换为类似cbct的图像，使GAN的过程加倍。这双重限制了模型的一对一映射，试图生成更准确的输出图像。在生成器网络中使用残差块46，以最小化CBCT和CT之间的残差或误差图像。在Harms等人的研究中，还使用了一种新型的复合损失函数，其中包含了一个11:5范数损失和一个梯度幅度距离损失，试图解决组织边界模糊的问题，同时避免组织误分类。

在这项工作中，我们的目标是将三维循环gan方法应用于腹部部位，为胰腺适应性放射治疗提供潜在的应用。然而，由于患者的运动，仍然观察到器官脱位，通过变形的配准过程，CBCT中的器官可以模糊。与大脑和骨盆等更固定的身体部位相比，直接使用cycleGAN可能会得到次优结果，因为胰腺部位的不匹配更大。为了解决这一问题，在发电机网络中引入了注意门(AG)来学习生成网络的结构变化。不像直接使用该功能从编码路径映射，从粗尺度提取的特征映射用于门控，以消除长跳连接中不相关和噪声响应的歧义。这是在连接操作之前立即执行的，只合并相关的激活。此外，AG在向前和向后传递过程中过滤了神经元的激活。在向后传递过程中，来自背景区域的梯度被向下加权，这使得较浅层的模型参数主要基于与给定任务相关的空间区域进行更新。通过使用AG，压缩路径中最显著的特征被突出显示，并通过桥梁路径传递。图1显示了所使用方法的工作流程示意图。网络可以分为两个阶段：训练(如左边所示)和预测(如右边所示)。

在训练过程中，从训练的CBCT和CT图像中提取每两个相邻的patch之间重叠32 × 32 × 32的patch (64 × 64 × 64)，通过生成器网络生成相应的合成图像。然后，合成的图像块经过反向发生器产生相应的循环图像。

训练结束后，可以将传入的CBCT图像输入到训练良好的模型中，生成相应的sCT图像。通过对sCT patch的平均patch融合得到一个完整的合成CT，即在输出时重叠的patch中，对同一位置的体素值进行平均。在生成器架构中，使用9个残差块来学习CBCT和CT之间的差异，使用AG来学习结构变化。

该模型在NVIDIA Tesla V100 GPU上训练和测试，内存为32 GB。批大小为20。每次批量优化使用10GB CPU内存和29GB GPU内存。该算法采用PYTHON 3.7和Tensorflow 1.14实现。训练过程约13 h，预测一组sCT约1-2 min。

sCT评价策略可分为成像质量和剂量计算能力。以平均绝对误差(MAE)、空间不均匀性(SNU)、峰值信噪比(PSNR)、归一化互相关(NCC)、结构相似指数(SSIM)作为成像终点。它们的定义如下： M A E = 1 n i n j n k ∑ x , y , z n i n j n k ∣ C T ( x , y , z ) − s C T ( x , y , z ) ∣ S N U = H U ‾ max  − H U ‾ min ⁡ 1000 × 100 % P S N R = 10 × log ⁡ 10 ( M A X ‾ 2 ∑ x , y , z n i n j n k ∣ C T ( x , y , z ) − s C T ( x , y , z ) ∣ 2 / n i n j n k ) \begin{gathered} M A E=\frac{1}{n_i n_j n_k} \sum_{x, y, z}^{n_i n_j n_k}|C T(x, y, z)-s C T(x, y, z)| \\ \\ S N U=\frac{\overline{H U}_{\text {max }}-\overline{H U}_{\min }}{1000} \times 100 \% \\ \\ P S N R=10 \times \log _{10}\left(\frac{\overline{M A X}^2}{\sum_{x, y, z}^{n_i n_j n_k}|C T(x, y, z)-s C T(x, y, z)|^2 / n_i n_j n_k}\right) \end{gathered} MAE=ni​nj​nk​1​x,y,z∑ni​nj​nk​​∣CT(x,y,z)−sCT(x,y,z)∣SNU=1000HUmax ​−HUmin​​×100%PSNR=10×log10​(∑x,y,zni​nj​nk​​∣CT(x,y,z)−sCT(x,y,z)∣2/ni​nj​nk​MAX2​)​

N C C = 1 n i n j n k ∑ x , y , z n i n j n k ( C T ( x , y , z ) − μ C T ) ( s C T ( x , y , z ) − μ S C T ) σ C T σ S C T SSIM ⁡ ( C T , s C T ) = ( 2 μ C T μ S C T + c 1 ) ( 2 σ C T S C T + c 2 ) ( μ C T 2 + μ S C T 2 + c 1 ) ( σ C T 2 + σ S C T 2 + c 2 ) \begin{gathered} N C C=\frac{1}{n_i n_j n_k} \sum_{x, y, z}^{n_i n_j n_k} \frac{\left(C T(x, y, z)-\mu_{C T}\right)\left(s C T(x, y, z)-\mu_{S C T}\right)}{\sigma_{C T} \sigma_{S C T}} \\ \\ \operatorname{SSIM}(C T, s C T)=\frac{\left(2 \mu_{C T} \mu_{S C T}+c_1\right)\left(2 \sigma_{C T S} C T+c_2\right)}{\left(\mu_{C T}^2+\mu_{S C T}^2+c_1\right)\left(\sigma_{C T}^2+\sigma_{S C T}^2+c_2\right)} \end{gathered} NCC=ni​nj​nk​1​x,y,z∑ni​nj​nk​​σCT​σSCT​(CT(x,y,z)−μCT​)(sCT(x,y,z)−μSCT​)​SSIM(CT,sCT)=(μCT2​+μSCT2​+c1​)(σCT2​+σSCT2​+c2​)(2μCT​μSCT​+c1​)(2σCTS​CT+c2​)​​

在CT (x;y;z)和sCT(x;y;Z)为像素(x;y;z)分别在规划CT和sCT中。 n i n j n k n_in_jn_k ni​nj​nk​是像素的总数。 H U ‾ m a x \overline{HU}_{max} HUmax​和 H U ‾ m i n \overline{HU}_{min} HUmin​是为每个患者的数据选择的兴趣区域(ROI)的平均最大强度和最小强度。MAX为CT和SCT的最大强度。μCT和μsCT为CT和sCT图像的平均值。 σ C T σ_{CT} σCT​和 σ C B C T σ_{CBCT} σCBCT​是CT和sCT图像的标准差。MAE是原始CT和sCT之间基于体素的亨氏单位(HU)差异的大小。SNU和PSNR测量预测的sCT强度是均匀分布还是稀疏分布。NCC是CT和sCT之间相似度作为位移函数的度量。在本研究中，在sCT的体罩内计算指标，并为每位患者在CBCT相关伪影发生的部位选择7个ROI来计算SNU。

为了证明sCT能够进行与规划CT相当的剂量计算，我们将基于CT的SBRT治疗方案转移到相应的sCT。PTV和桨叶等高线直接从规划CT转移。计算PTV和桨叶的相关DVH指标，包括 D 10 、 D 50 、 D 95 、 D m i n 、 D m e a n D_{10}、D_{50}、D_{95}、D_{min}、D_{mean} D10​、D50​、D95​、Dmin​、Dmean​和 D m a x D_{max} Dmax​。

同样的评估过程也在原始CBCT上进行，以便在原始CBCT和sCT之间进行比较。

图2显示了使用AG和不使用AG的sCT图像。虽然两种基于cyclegan的网络都能明显提高图像质量并恢复器官边界，但使用AG的网络略优于另一种网络。使用AG可以发现更清晰的器官边界，这对于进一步发展基于cbct的分割至关重要。此外，如第二行所示，AG生成的sCT在同一器官中显示出更好的强度均匀性。第三行和第四行是棋盘状图像，用于比较CT、CBCT和sct之间的差异。使用注意门的cycleGAN生成的CT和sCTs的差异小于未使用注意门的CT和sCTs。CT与CBCT之间存在一些结构差异，这些差异源于CT与CBCT的结构差异。虽然进行了形变配准，但仍难以将CBCT中的器官结构与CT匹配。

sCT和CT患者队列的平均MAE为56.89±13.84 HU，而CBCT和CT患者队列的平均MAE为81.06±15.86 HU。sCT的平均SNU为0.12±0.085，而CBCT为0.25±0.097。表一为带AG和不带AG的3D U-Net生成的CBCT、sCT对比。将原始CT和CBCT图像以及一位代表性患者的sCT图像并排比较(图3)。我们的方法几乎可以恢复CT上看到的精细图像结构，而CBCT往往会模糊这些结构。CT和sCT之间的HU差异比CT和CBCT之间的差异小得多。在sCT图像中，靠近气囊和金基准的散点和条纹伪影明显减少。整个三维图像集的HU直方图如图3所示，以说明CT对HU保真度的提高。从HU直方图中可以看出，在−100 HU左右的峰值处，sCTs与CT吻合良好。在30-40 HU左右的较高HU峰有一些差异，可能是由于CT扫描时胃内注射造影剂造成的。

由于CT与CBCT采集的时间间隔，胃注射造影剂差异较大。由于CT和CBCT/sCT的器官大小和位置不同，冠状位和矢状位上的一些差异。这些可以被认为是ground truth (CT-CBCT对)的局限性之一，可能会影响MAE的结果。但另一方面，它也证明了我们的算法通过在胃部显示合理的HU值，有效地处理了训练数据集的局限性。这种方法也足够可靠，可以显示与CBCT相同的正确器官大小和位置，而不是强迫器官与CT中的器官相似。

图4为代表患者的剂量差图。与CT和CBCT计划相比，CT和sCT计划的剂量差异最小。桨叶包括肠、十二指肠、肝、肾和胃。图5显示了基于CT和sct方案的PTV和桨叶DVH指标剂量差异的箱形图。DVH剂量差异均小于1 Gy。表II显示，CT与sct方案在PTV、OAR DVH指标(D95、Dmean、Dmax)上无显著差异(P > 0.05)，而CT与cbct方案在PTV DVH等指标上有显著差异(P < 0.05)。这些结果表明，与计划CT相比，我们的sct可以提供可靠的剂量计算结果。

这项工作基于我们的自注意循环GAN方法，从常规CBCT图像生成胰腺sCT。通过显示更清晰的器官边界和更少的散射伪影，sCT的图像质量已经大大提高。CT与sCT的平均MAE为56.89±13.84 HU，而CT与原始CBCT的平均MAE为81.06±15.86 HU。CT- CBCT与CT-sCT.之间在24 HU左右的整体改善。本研究获得的平均MAE(56.89±13.84 HU)似乎比导言中已经描述的其他CBCT - sCT研究要大。造成这种差异的原因有几个:主要原因可能是不同的身体部位用于生成相应的sct。在Harms et al和Lei et al的研究中对大脑和骨盆进行了评估，CT和原始CBCT之间的平均MAE为大脑27.8±6.6 HU (Harms et al)/23.8±5.1 HU (Lei et al)，骨盆56.3±19.7 HU (Harms et al)/ 45.5±12.3 HU (Lei et al)。相比之下，CT与CBCT在腹部部位的平均MAE为81.06±15.86 HU。这种MAE差异部分是由于CBCT数据集中的HU不准确，部分是由于CT和CBCT中不同的器官形状和位置。对于后一种差异来源，它可以追溯到训练数据集的局限性，而不是来自所提出的基于深度学习的算法。大脑可以被认为是一个器官错位较少的静止部位，骨盆次之，不同的膀胱充盈状态和排便运动可能导致MAE较高，而腹部由于患者呼吸和内部器官运动引起的大量运动，MAE最高。值得注意的是，基于自适应放疗的目的，深度学习算法不应强制sCT中预测的器官位置与规划CT中的相同，而应专注于CBCT-to-CT强度映射算法，该算法能够减轻伪影，提高CBCT中组织的HU精度。因此，虽然MAE的计算仍然是评估sCT质量的主要方法之一，但需要使用相同的数据集或至少相同的主体站点来进行不同算法之间的比较。

在CBCT上进行可变形配准，使其与相应的CT配对。进行变形配准的原因是：(a) CT和CBCT图像之间桨叶的形状和位置以及身体轮廓大小可能不同，这可能会使训练网络混淆，因为它不是一对一的映射。例如，由于患者体重减轻，CT中的前体部分可能与相应CBCT中的空气配对。(b)为了证明合成CT的HU值是准确的，我们比较了合成CT和规划CT计算的HU差异和剂量。为了排除不同体型的潜在影响，有必要使用变形后的CBCT生成的合成CT。为了比较使用刚性配准和变形配准的训练数据的性能，使用刚性配准CT-CBCT对对网络进行重新训练。然后将新生成的sct导入到V速度中，变形地注册到相应的CT上。MAE的平均值为58.45±13.88，而使用变形CT-CBCT对训练的模型的平均值为56.89±13.84 HU。虽然刚性注册训练网络和变形注册训练网络之间没有显著差异(P = 0.21)，但两种方法生成的sCT之间的并列比较显示出一些差异，其中变形CT-CBCT对训练的模型生成的sCT似乎比刚性注册CT-CBCT对训练的模型生成的sCT噪声更小，具有更好的器官边界(图6)。

为了评估我们的方法生成的sCT是否能够准确计算剂量，我们将基于CBCT和sCT的治疗方案与基于CT的治疗方案进行了比较，结果显示sCT和基于ct的治疗方案没有显著差异，而CBCT和基于ct的治疗方案有显著差异。重要的是澄清在与规划CT具有相同气穴状态的变形CBCT和sCT图像上计算剂量，以排除不同体型和气穴状态的潜在影响。因此，评价的重点是CBCT和sCT的HU准确性。有人可能会说，CT和CBCT/sCT之间的器官大小和位置可能有明显的不同，这使得PTV和桨叶DVH的比较在从CT直接转移到CBCT/sCT时存在问题。

虽然CT和CBCT/sCT之间的不匹配是所有基于机器学习的算法的主要限制，但值得指出的是，除了骨和空气，其他器官之间的HU差异相对较小，当这些器官的不同位置被发现时，剂量学的影响将是最小的。

此外，SBRT治疗计划使用体放射治疗(VMA T)技术，该技术采用多个入口点，最终将减轻不同器官大小和位置的影响。综上所述，本研究中进行的剂量比较只是为了表明我们的方法生成的sCT能够提供相对准确的HU数字，与规划CT相比，剂量学差异很小。由于我们在本研究中已经证明了sCT能够精确计算剂量，未来的工作将重点研究患者的大小和运动对PTV和桨叶dvh的影响，使用真实大小的CBCT/sCT，并在每次治疗前进行在线注册，更新显示真实器官位置的轮廓。更具体地说，sCT图像将基于新获得的CBCT图像和经过充分训练的CBCT-to-sCT模型直接生成。然后，对sCT图像进行自动多器官分割，生成患者在治疗沙发上时反映真实形状和位置的桨叶轮廓。随后应进行快速剂量计算，显示PTV和桨叶的dvh。

医生可以根据PTV和OAR dvh的变化来确定是否可以进行治疗，或者是否需要修改治疗计划。

为了比较基于可变形图像配准(DIR)的图像和sCT，我们将规划CT变形为5个分数的cbct。sct由训练良好的模型直接生成。如下图7所示，基于dir的方法虽然可以提供更好的HU值，但由于配准误差，不能反映患者真实的日常解剖情况，特别是对于空气和软组织的复杂混合物。胰腺自适应RT的目的是根据治疗位置的准确解剖信息来评估和调整方案，由于sCT与CBCT具有相同的几何形状，基于CBCT-to-sCT的方法可以更好地实现这一点。因此，尽管DIR可能具有更好的剂量计算结果，但其不匹配的几何形状可能会在重描轮廓时引入误差。轮廓误差分别导致靶区和靶区在处方剂量水平上的不足和过量，这比本研究中sCT < 1gy的误差要大得多。

从上一段可以看出，CBCT图像质量和剂量计算能力并不是临床实施在线适应性放疗的唯一障碍。

准确快速的多器官分割和剂量计算是另一个关键因素。

基于ct的腹部多器官分割已通过基于地图集的方法47,48以及基于学习的方法报道。4然而，基于cbct的分割尚未得到研究。这可能是由于在原始CBCT图像中看到的严重成像伪影。因为我们已经通过我们的CBCT-to-CT证明了成像质量的增强算法通过显示更清晰的器官边界，基于CBCT的多器官分割前景广阔。在快速剂量计算方面，除了基于gpu的剂量计算引擎的快速发展之外，基于51学习的自动生成剂量分布已经成为一个热门话题。但是，必须了解CBCT的固有局限性。例如，与CT图像相比，采集图像的视场较小，较长的采集时间可能会产生较大的运动伪影。由于共平面平面通常用于胰腺SBRT，作者预计有限的视场不会是影响剂量计算精度的一个大因素。但是还需要进行全面的验证。在CBCT采集过程中还需要更好的运动管理。

解CBCT的固有局限性。例如，与CT图像相比，采集图像的视场较小，较长的采集时间可能会产生较大的运动伪影。由于共平面平面通常用于胰腺SBRT，作者预计有限的视场不会是影响剂量计算精度的一个大因素。但是还需要进行全面的验证。在CBCT采集过程中还需要更好的运动管理。

在本研究中，我们开发了一种自注意循环GAN方法，用于CBCT到sCT的生成。sCT图像可以提供与规划CT相当的精确剂量计算。与CBCT相比，sCT发现的伪影更少，器官边界更清晰，这可以促进基于CBCT的多器官分割的未来发展。这种方法可以潜在地提高治疗的精确度，从而最大限度地减少胃肠道毒性。