我院放射物理技术中心肖江洪教授和四川大学计算机学院王艳教授的医工交叉学科研究团队在医学影像知名期刊Medical Image Analysis（IF：13.828）发表了题为“Multi-constraint generative adversarial network for dose prediction in radiotherapy”的论文。该论文提出了一种基于生成对抗网络的多约束剂量预测模型Mc-GAN，用于从CT影像，以及PTV和OARs掩膜自动预测剂量分布图，能够准确预测IMRT剂量分布图，为放疗计划的剂量预测提供了新的研究思路。
图1：Mc-GAN的概览图
我院放射物理技术中心肖江洪教授为该论文共同第一作者，四川大学计算机学院王艳教授为通讯作者。
调强放疗（IMRT）是目前肿瘤治疗的主要手段，但反复调整过程导致IMRT计划费时费力，且质量取决于物理师的专业知识和经验。以自动预测的剂量分布图作为参考，从接近最佳计划的点调整放疗计划，可以减少试错过程，并最终减少最终计划时间和提高计划质量。近年来，大量的剂量预测研究在全球开展，其方法包括CNN、UNet、3D Unet等。
受生成对抗网络（GAN）令人印象深刻的进展的启发，研究人员也开始考虑将其应用于剂量预测。事实上，局部细节信息和全局情境信息在剂量图中是共存的，是剂量分布预测的关键。然而，大多数基于GAN的方法更喜欢从pix2pixGAN (Isola等人，2017)中提取想法，该方法使用了UNet (Ronneberger等人，2015)等简单的体系结构作为生成器。在这种情况下，很难同时提取这两种信息，要么是由于层过深导致局部信息丢失，要么是由于层过浅导致全局信息不可用。此外，这些基于GAN的方法在训练时往往采用了整体图像的内置对抗性损失和像素级L1损失，忽视了局部各器官特定剂量分布的细化，可能导致次优结果。
为了解决上述问题，提高放疗剂量预测的准确性，本文提出了一种端到端多约束GAN框架，即Mc-GAN。所提出的Mc-GAN的输入通常由CT图像、PTV和OARs的掩膜组成，输出是与CT图像相对应的剂量图。
图2：嵌入式类UNet网络，包括六个剩余U块和一个双注意模块(DAM)
研究成果可归纳为三点:(1)我们在生成器中提出了一种嵌入的类UNet结构，内部具有扩展卷积，以提取多尺度特征。此外，在最深处加入了双注意模块(dual attention module, DAM)，以增强深层特征的表达，同时减少不相关的相互依赖性。(2)创新地设计了局部约束损失(LCL)，使网络对PTV和OARs的局部剂量信息给予同等重视，从而提高了预测剂量分布的准确性，尤其是PTV和OARs。(3)利用自监督编码器网络(SENet)产生的自监督感知损失(SPL)在特征级上约束语义信息的一致性，减轻了仅用像素级损失进行监督可能导致的最终图像失真。我们在两个内部数据集上评估了我们的Mc-GAN，即宫颈癌数据集和直肠癌数据集，结果表明我们的方法在大多数剂量学标准上超过了最先进的方法。Mc-GAN的概览如图1所示。
图3： 位置注意模块和通道注意模块
图4：提出的SENet，包括两个阶段：自我监督重建和感知损失计算
图5：与消融研究中不同模型的定性比较
图6：消融研究中不同模型的DVH（实线表示地面真相，虚线表示预测）
