CT respiratory motion synthesis using joint supervised and adversarial learning
作者: Yi-Heng Cao, Vincent Bourbonne, François Lucia, Ulrike Schick, Julien Bert, Vincent Jaouen, Dimitris Visvikis
分类: cs.CV
发布日期: 2024-03-29
备注: to appear in Phys. Med. Biol
💡 一句话要点
提出一种深度合成方法以生成伪呼吸CT相位
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 四维CT 深度学习 伪呼吸相位 放疗计划 变形向量场 对抗性训练 医学影像
📋 核心要点
- 现有的四维计算机断层扫描（4DCT）方法在复杂性和辐射剂量上存在挑战，且可能无法与患者的呼吸同步。
- 本研究提出了一种基于深度学习的合成方法，通过静态图像生成伪呼吸CT相位，增强运动感知的治疗计划。
- 实验结果显示，生成的伪呼吸CT相位在肿瘤中心质量距离和Dice相似系数上与真实4DCT相似，验证了方法的有效性。
📝 摘要（中文）
本研究旨在通过深度合成方法，从静态图像生成伪呼吸CT相位，以支持运动感知的放疗计划。该模型通过外部患者表面估计条件化合成，生成患者特定的变形向量场（DVFs），并通过监督学习与对抗性训练相结合，提升DVF的真实性，避免了深度无监督学习中常见的过度平滑现象。实验结果表明，生成的伪呼吸CT相位在捕捉器官和肿瘤运动方面的准确性与重复的4DCT扫描相似，展示了该方法的有效性。
🔬 方法详解
问题定义：本研究解决了在放疗计划中，如何从静态图像生成伪呼吸CT相位的问题。现有的4DCT方法复杂且可能导致辐射过量，且难以与患者呼吸同步。
核心思路：论文提出通过条件化静态图像生成患者特定的变形向量场（DVFs），并结合监督学习与对抗性训练，以提高生成相位的真实性和准确性。
技术框架：整体架构包括静态图像输入、外部表面估计、DVF生成模块以及对抗性训练模块。模型通过这些模块生成伪呼吸CT相位，并进行训练以优化输出质量。
关键创新：最重要的创新在于通过对抗性训练不仅对变形后的图像进行优化，还对DVF的幅度进行优化，避免了传统深度学习方法中的过度平滑现象。
关键设计：在损失函数中结合了监督学习损失和对抗性损失，确保生成的DVF与真实呼吸幅度相关联，网络结构采用了适合图像生成的深度学习架构，以提高合成效果。
📊 实验亮点
实验结果表明，生成的伪呼吸CT相位在肿瘤中心质量距离和Dice相似系数上分别为2.35mm和0.71，接近真实4DCT相位的1.97mm和0.63，展示了该方法在运动捕捉方面的有效性，优于现有的RMSim技术。
🎯 应用场景
该研究的潜在应用领域包括放射治疗计划、医学影像分析和个性化医疗。通过生成伪呼吸CT相位，能够更好地模拟患者在治疗过程中的器官运动，提高放疗的准确性和安全性，未来可能对临床实践产生积极影响。
📄 摘要（原文）
Objective: Four-dimensional computed tomography (4DCT) imaging consists in reconstructing a CT acquisition into multiple phases to track internal organ and tumor motion. It is commonly used in radiotherapy treatment planning to establish planning target volumes. However, 4DCT increases protocol complexity, may not align with patient breathing during treatment, and lead to higher radiation delivery. Approach: In this study, we propose a deep synthesis method to generate pseudo respiratory CT phases from static images for motion-aware treatment planning. The model produces patient-specific deformation vector fields (DVFs) by conditioning synthesis on external patient surface-based estimation, mimicking respiratory monitoring devices. A key methodological contribution is to encourage DVF realism through supervised DVF training while using an adversarial term jointly not only on the warped image but also on the magnitude of the DVF itself. This way, we avoid excessive smoothness typically obtained through deep unsupervised learning, and encourage correlations with the respiratory amplitude. Main results: Performance is evaluated using real 4DCT acquisitions with smaller tumor volumes than previously reported. Results demonstrate for the first time that the generated pseudo-respiratory CT phases can capture organ and tumor motion with similar accuracy to repeated 4DCT scans of the same patient. Mean inter-scans tumor center-of-mass distances and Dice similarity coefficients were $1.97$mm and $0.63$, respectively, for real 4DCT phases and $2.35$mm and $0.71$ for synthetic phases, and compares favorably to a state-of-the-art technique (RMSim).