简介：摘要目的针对前列腺癌放疗，研究锥形束CT（CBCT）生成伪CT的深度学习方法，以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像，并使用MIM软件进行形变配准。将数据按简单随机法分为训练集（59例）和测试集（15例）。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像，评价平均绝对误差（MAE）、结构相似指数（SSIM）和峰值信噪比（PSNR）。另外单独分析了图像质量，包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为（29.4±16.1）、（37.1±14.4）、（34.3±17.3）HU。在图像质量方面，U-net和Pix2PixGAN生成的图像存在过度模糊的问题，导致了图像失真；而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论CycleGAN能有效地提高CBCT图像质量，有更大的潜力应用于自适应放疗中。

简介：摘要目的研究在常规剂量扫描情况下模拟低剂量CT图像的方法，以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像，并建立深度学习模型，用于低剂量CT图像的降噪。方法使用Philip Brilliance CT Big Bore模拟定位机，其不同算法重建的CT图像具有不同的噪声水平，其中iDose4算法噪声较大，而全模型迭代重建技术(iterative model reconstruction，IMR)噪声较小。提出一种以等价噪声水平重建图像替代低剂量CT图像的方法。常规剂量和低剂量CT的曝光量分别采用250和35 mAs。分别扫描CTP712均匀模块，用IMR算法重建低剂量CT图像，用不同降噪水平的iDose4算法重建常规剂量CT图像，并根据噪声分布从中找出低剂量CT的噪声等价图像。随后，用常规剂量和噪声等价CT图像配对训练循环一致性生成对抗网络(cycle-consistent adversarial networks，CycleGAN)，使用模体测试该方法对真实低剂量CT噪声的改善程度。结果用iDose4 level 1重建的常规剂量CT图像可替代IMR重建的低剂量CT图像。低剂量扫描可降低86%的辐射剂量。使用CycleGAN模型降噪后，对于均匀模块，降噪幅度为45%；对于CIRS-SBRT 038模体的脑、脊髓和骨等处，噪声值分别降低了50%，13%和7%。结论等价噪声水平重建图像可用于替代低剂量CT图像训练深度学习网络，在避免受检者受照剂量增加的同时，减少图像噪声，提高图像质量。