摘要
鼻咽癌（nasopharyngealcarcinoma,NPC）是人体鼻咽部常见的恶性肿瘤，由鼻咽癌患者MR影像中直接合成伪CT(synthesiscomputedtomography,sCT)影像，在此基础上制定放疗计划，不仅可以避免CT扫描造成的辐射损伤，而且可以简化工作流程、减少跨模态配准带来的误差和不确定性，具有重要的临床意义。 研究对象来自中山大学肿瘤防治中心，总共收集40名鼻咽癌患者T1W、T2W、T1C等三种序列的头部MR（Magneticresonance）影像和同期获得的CT影像，由富有经验的医生在MR影像上对原发肿瘤区域进行了勾画，对被试按照3:1的比例划分为训练集与独立测试集。 根据多序列MR影像的特点，采用一种基于ASPP结构（Atrousspatialpyramidpooling）和注意力机制的多序列特征深度融合策略，构建一种多序列特征深度融合生成器，基于生成对抗网络分别构建利用配对影像进行训练的Pix2pix多序列融合模型，以及利用非配对影像进行训练的CycleGAN多序列融合模型，从多序列MR影像中生成sCT影像。 实验结果表明，与真实CT影像相比，三种MR序列融合的Pix2pix模型合成的sCT影像MAE（Meanabsoluteerror）为94.76HU，MSE（Meansquareerror）为41650.98HU，PSNR（Peaksignaltonoiseratio）为26.35dB；三种MR序列融合的CycleGAN模型合成的sCT影像的MAE为122.40HU，MSE为60782.58HU，PSNR为24.49dB，所提出的多序列特征深度融合策略，优于多通道输入特征融合以及跨模态卷积特征融合策略。 此外，针对原发肿瘤区域的生成质量进行了评估，Pix2pix多序列融合模型合成的sCT影像原发肿瘤区域的MAE、MSE和PSNR分别为69.89HU、20670.67HU和29.54dB，Dice系数（Dicecoefficient）为0.842，豪斯多夫距离（Hausdorffdistance）为4.86mm，CycleGAN多序列融合模型合成的sCT影像原发肿瘤区域的MAE、MSE和PSNR分别为92.64HU、29363.89HU和28.61dB，Dice系数为0.787，豪斯多夫距离为5.34mm。 本研究利用NPC患者的多序列MR影像，基于生成对抗网络建立多序列融合的生成模型生成sCT影像。通过实验证明，构建的生成模型可从鼻咽癌患者的多序列MR影像生成高质量sCT影像，尤其所生成sCT影像与真实CT影像的原发肿瘤区域的像素强度和结构具有良好的一致性，具有重要的临床应用价值。
NETL