A multi-channel cycleGAN for CBCT to CT synthesis

要約

画像合成は、治療中のコーンビームCT（CBCT）から合成CT（sCT）を生成するために使用され、画質を改善し、CBCTベースの適応放射線治療ワークフローを促進するための正確な線量計算を可能にすることを目的としている。この分野の研究が勢いを増す中、sCT生成法の開発は、大規模な公開データセットがなく、トレーニング手順に大きなばらつきがあるため、比較が困難である。SCT生成における最新の進歩を比較・評価するために、SynthRAD2023課題では、MRとCBCTの両方からSCTを合成するための公開データセットと評価フレームワークを提供しています。我々の貢献は、2番目の課題であるCBCTからsCTへの合成に焦点を当てている。特定の画像特徴を強調するためにマルチチャンネル入力を活用することで、我々のアプローチは、患者の解剖学的構造の正確な視覚化に必要なコントラストを回復しながら、CBCTイメージングに固有の課題のいくつかに効果的に対処します。さらに、生成されたSCT画像の忠実度をさらに高めるために、補助融合ネットワークを導入する。

要約(オリジナル)

Image synthesis is used to generate synthetic CTs (sCTs) from on-treatment cone-beam CTs (CBCTs) with a view to improving image quality and enabling accurate dose computation to facilitate a CBCT-based adaptive radiotherapy workflow. As this area of research gains momentum, developments in sCT generation methods are difficult to compare due to the lack of large public datasets and sizeable variation in training procedures. To compare and assess the latest advancements in sCT generation, the SynthRAD2023 challenge provides a public dataset and evaluation framework for both MR and CBCT to sCT synthesis. Our contribution focuses on the second task, CBCT-to-sCT synthesis. By leveraging a multi-channel input to emphasize specific image features, our approach effectively addresses some of the challenges inherent in CBCT imaging, whilst restoring the contrast necessary for accurate visualisation of patients’ anatomy. Additionally, we introduce an auxiliary fusion network to further enhance the fidelity of generated sCT images.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL