Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title MR-based synthetic CT generation for MR-guided radiotherapy
Organization Unit
Authors
  • Mariia Lapaeva
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text The aim of this study is to devise deep learning (DL) approaches trained on paired and unpaired data that are able to generate realistic synthetic computed tomography (CT) images for magnetic resonance-guided radiotherapy (MRgRT) in the area of the abdomen and to assess its clinical applicability. The imaging data of 76 patients with a tumour in the abdomen who were treated with MRgRT at USZ was collected retrospectively and divided in training (59) and test sets (17). To improve the current state-of-the-art of DL technologies by studying different architectures and ensembles of configurations, the following experiments were conducted: (a) evaluating the influence of the different GAN architectures trained on paired (Pix2pix) and unpaired data (CycleGAN and CUT, which firstly applied for the purpose of sCT generation); (b) investigating the footprint of different preprocessing methods (Nyul, novel N-peaks); (c) improving spatial consistency of results by adjusting the network configuration (2D, pseudo3D); (d) testing different GAN training objectives (LSGAN, WGAN-GP); (e) estimating the influence of the loss function on the generated results (per-pixel L1 loss, VGG19 perceptual loss). The quality of sCT generation was assessed using both, image similarity and dosimetric accuracy metrics. The dosimetric accuracy of the best performing models was estimated by comparing the dose distribution of MRgRT treatment plans calculated from synthetic CT and original CT images using dose-volume histogram (DVH) parameters to allow assessment of the clinical applicability of the DL methods. Our results suggest that DL models trained with unpaired data achieve similar performance as models requiring perfectly aligned image pairs, and even perform better in the bone and air pocket areas. The mean absolute errors (mean ± SD) calculated within the body contour are 71.0±20, 73.4±21 and 84.5 ±19 HU when using the best performing configuration of pix2pix, CycleGAN and CUT, respectively. The proposed DL-based synthetic CT generation methods may be considered clinically applicable for treatment planning in the abdominal area with the mean DVH indicator discrepancies with the original plan of less than 1% for all models, and less than 0.5% for all tumour DVH indicators for the best performing model, CycleGAN. The study confirmed that generation of synthetic CT using a DL approach from low field magnetic resonance images in the abdomen is feasible and allows a reliable calculation of irradiation plans in MRgRT.
Zusammenfassung Das Hauptziel dieser Studie ist die Entwicklung von Deep Learning (DL) Ansätzen, die auf gepaarten und ungepaarten Daten trainiert werden und in der Lage sind, realistische synthetische Computertomographie (CT)-Bilder für die magnetresonanzgeführte Strahlentherapie (MRgRT) im Abdomen zu generieren und ihre klinische Anwendbarkeit zu evaluieren. Die Bildgebungsdaten von 76 Patienten mit einem Tumor im Abdomen, die am USZ mit MRgRT behandelt wurden, wurden retrospektiv gesammelt und in eine Trainings- (59) und Testgruppe (17) unterteilt. Um den aktuellen Stand der DL-Techniken durch die Untersuchung verschiedener Architekturen und Ensembles von Konfigurationen zu verbessern, wurden die folgenden Experimente durchgeführt: (a) Bewertung des Einflusses der verschiedenen GAN-Architekturen, die auf gepaarten (Pix2pix) und ungepaarten Daten trainiert wurden (CycleGAN und CUT, die erstmals für diesen Zweck der sCT-Generierung eingesetzt wurden); (b) Untersuchung des Einflusses verschiedener Vorverarbeitungsmethoden (Nyul, neue Methode N-Peaks); (c) Verbesserung der räumlichen Konsistenz der Ergebnisse durch Anpassung der Netzwerkkonfiguration (2D, pseudo3D); (d) Test der verschiedenen GAN-Trainingsziele (LSGAN, WGAN-GP); (e) Abschätzung des Einflusses der Verlustfunktion auf die generierten Ergebnisse (L1-Fehler pro Pixel, VGG19-Wahrnehmungsfehler). Die Qualität der sCT-Generierung wurde sowohl anhand der Bildähnlichkeit als auch der dosimetrischen Genauigkeit bewertet. Die dosimetrische Genauigkeit der leistungsstärksten Modelle wurde durch den Vergleich der Dosisverteilung von MRgRT -Behandlungsplänen geschätzt, die anhand von synthetischen CT- und Original-CT-Bildern unter Verwendung von Dosis-Volumen-Histogramm- Parametern (DVH) berechnet wurden, um die klinische Anwendbarkeit der DL-Methoden zu bewerten. Unsere Ergebnisse deuten darauf hin, dass DL-Modelle, die auf ungepaarte Weise trainiert wurden, eine ähnliche Leistung erzielen wie Modelle, die perfekt übereinstimmende Bildpaare erfordern, und in den Knochen- und Luftblasenregionen sogar besser abschneiden. Die Mittleren Absoluten Fehler (Mittelwert ± Standardabweichung), die innerhalb der Körperkontur mit der leistungsstärksten Konfiguration von pix2pix, CycleGAN und CUT berechnet wurde, betrug jeweils 71.0±20, 73.4±20 und 84.5 ±19 HU. Die vorgeschlagenen DL-basierten Generierungsmethoden synthetischer CT können als klinisch ausreichend für die Behandlungsplanung bei Tumoren im Abdomen angesehen werden, da die mittleren Abweichungen der DVH-Indikatoren vom ursprünglichen Plan für alle Modelle weniger als 1% betragen. Für das leistungsstärkste Modell, CycleGAN, betragen alle Tumor-DVH-Indikatoren sogar weniger als 0.5%. Diese Studie hat bestätigt, dass die Generierung synthetischer CT mit Hilfe eines DL-Ansatzes für Magnetresonanzbilder (MR) des Abdomens mit schwachem Magnetfeld machbar ist und eine zuverlässige Berechnung von Bestrahlungsplänen in der MRgRT ermöglicht.
PDF File Download
Export BibTeX