论文部分内容阅读
放射治疗作为肿瘤治疗的方法之一,其主要利用放射线杀死肿瘤,而随着技术的不断提高,放射治疗从最初的全身放射治疗到适形放射治疗,再发展到图像引导放射治疗(IGRT)。IGRT依据图像克服因摆位和肿瘤移动所造成的误差,目前,计算机断层成像(CT)作为放射治疗过程中的基准图像,医生可以根据其勾画临床靶区(CTV)、计划靶区(PTV)以及危及器官(OAR)。还可以根据CT得到组织的电子密度值(ED),用于后期的剂量计算。虽然CT的图像质量空间分辨率高,操作简单快捷,但是其低对比度密度分辨率较低,从而限制了肿瘤的轮廓信息,患者还会受到电离辐射。相比CT,磁共振成像(MRI)不仅提供了优越的软组织对比度,而且拥有多种序列图像,医生可根据不同的序列图像对各组织或器官进行区分,常与CT共同应用于放射治疗,主要用于靶区与OAR的勾画。考虑到CT电离辐射影响患者健康、同时扫描两者增加患者经济负担、两者配准融合过程引入误差等弊端,仅使用MRI受到越来越多研究者的关注。然而,MRI与ED无关,不能直接用于后期的剂量计算以及基于X光的患者定位,需要应用相关算法根据MRI获得电子密度信息或者HU值,即生成伪CT(pCT)。近年来有很多专家学者研究基于MRI的CT图像的转换,比如基于组织分割法、基于图谱法、2D深度卷积神经网络(2D-DCNN)。组织分割的方法比较费时费力,而且在空气与骨骼的连接处误差较大。基于图谱的方法虽然相对提高了预测的准确性,但是存在较大部分的骨骼与空气的误转换问题,并且该方法对配准的要求较高。2D-DCNN将深度学习与神经网络结合,采用端到端的学习方式,依据训练模型预测结果,虽然该方法提高了骨骼与空气处的误差,但是其只应用了图像的层内特征,从而造成预测结果有较严重的误转换问题,而且还存在较严重的伪影,所以需要进一步改善。本研究提出了一种基于卷积神经网络和长短期记忆网络级联的网络(CNN-LSTM)和基于3D的深度卷积神经网络(3D-DCNN),将图像层与层之间的关系联系起来。CNN-LSTM将CNN与循环神经网络(RNN)级联,CNN部分采用U-net网络的下采样层,通过多个3ⅹ3的卷积核对图像进行特征提取,卷积之后的池化层起到二次提取特征的作用,获得具有空间不变性的特征。几次反复卷积池化处理,将输出作为RNN的输入,由于常规的RNN无法很好的处理信息长期依赖问题,我们采用LSTM提取相邻图像层之间的信息。采用MAE作为损失函数,对所得误差应用Adam随机优化函数进行反向传播,进一步对参数优化处理,直至获得最小预测误差。基于3D网络模型可以看作是一个复杂的3D数据端到端的映射函数,主要分为上采样和下采样。上采样主要是采用多次卷积层、池化层轮替的网络结构学习MRI和CT之间的关系;下采样主要采用反卷积、反池化操作进行逆运算。卷积过程中的上万个乃至上百万个参数主要用来提取特征,比如边缘、线条、角落,随着卷积层层数的增加,所提取的特征也越来越高级,但是这并不代表越多的卷积层就会有助于网络的训练,它还受到卷积核的大小和特征面数目的影响。在训练过程中,这些参数随着预测误差不断优化,本文使用MAE度量网络的输出预测值与真实值之间的误差,使用Adam优化函数进行参数的优化处理,直到获得最小误差。一旦模型训练完成,就会依据学习的参数进行结果的预测。本研究采集了13例Cyber Knife治疗的头部脑瘤患者的CT与MRI数据,通过回顾性离线分析,对基于组织分割法、基于图谱法、2D-DCNN、CNN-LSTM、3D-DCNN五种预测算法进行对照比较。通过实验表明,本文提出的CNN-LSTM和3D-DCNN的平均绝对误差(MAE)、均方根误差(RMSE)、配准误差、结构相似度(SSIM)和骨骼的DSC优于其他三种方法。其中3D-DCNN算法的准确性与鲁棒性都优于其他方法,能更准确的得到pCT。