A conditional generative adversarial network for abdominal tumors treated with particle therapy

Purpose: In particle therapy of abdominal tumors, the use of synthetic Computed Tomography (sCT) generated from 3D Magnetic Resonance Imaging can support treatment monitoring and adaptation, by verifying inter-fraction changes and reducing the non-therapeutic dose provided by repeated CT scans. Material/Methods: The end-exhale CT and the 3D breath-hold T1-weighted VIBE were available for 14 patients with abdominal lesions, for a total of 22 scans and 1366 transversal slice pairs. Preprocessing included rigid and deformable image registration (DIR), air-bubbles overwriting, MRI denoising and data augmentation (x8). A conditional Generative Adversarial Network (cGAN), in particular a Pix2Pix, was trained on slices from 16 volumes pairs and validated on 3 different volumes. To optimize the performance of our application, the following modifications were applied to the original network to improve the quality of the generated sCTs: 1) Hyperparameters tuning, 2) Gradient difference loss function, 3) Different number of channels. These experiments were evaluated in terms of mean absolute error (MAE), root mean square error (RMSE) and standard mean absolute error (STDAE). To evaluate the impact of the DIR, Hausdorff distance (HD) and Dice coefficient were calculated for a clearly identifiable structure (kidney). Six-fold cross validation was performed, then the metrics were computed on 3 patients considered as testing dataset. Results: The best result is obtained using 3 input channels (air, bones, soft tissue) achieving a (mean±standard deviation) MAE of 56±10 HU, RMSE of 95±18 HU and STDAE of 76±16 HU on the validation set. This model was cross validated (MAE 66±4 HU, RMSE 112±7 HU, STDAE 108±6 HU) and tested. The accuracy on the test set (MAE 75±3 HU, RMSE 144±7 HU, STDAE 123±7 HU) was comparable to other published methods for sCT generation. The correspondence between the generated synthetic CTs and the MRI in terms of Dice and HD was good, demonstrating that the impact of DIR error on the network accuracy is negligible. Conclusion: Our approach presented proper accuracy and promising results for supporting abdominal tumor treatment in particle therapy.

Obiettivo: nella terapia con particelle per tumori addominali, l'uso di CT sintetiche (sCT) generate dalla risonanza magnetica 3D può supportare il monitoraggio e l'adattamento del trattamento, verificando i cambiamenti inter-frazionari e riducendo la dose non terapeutica fornita dalle ripetute scansioni CT. Materiali e Metodi: CT di fine espirazione e VIBE erano disponibili per 14 pazienti con lesioni addominali, per un totale di 22 scansioni e 1366 coppie di sezioni trasversali. La pre-elaborazione includeva la registrazione rigida e deformabile (DIR) dell'immagine, la sovrascrittura delle bolle d'aria, la riduzione del rumore nelle MRI e la data augmentation(x8). Una conditional Generative Adversarial Network (cGAN), in particolare una Pix2Pix, è stata addestrata su 16 volumi e validato su 3 volumi diversi. Per ottimizzare le prestazioni della nostra applicazione, sono state apportate modifiche alla rete originale per migliorare la qualità delle CT sintetiche: 1)Ottimizzazione degli iperparametri, 2)Aggiunta di una componente di gradiente alla loss, 3) Diverso numero di canali in ingresso. Questi esperimenti sono stati valutati in termini di mean absolute error(MAE), root mean square error(RMSE) e standard deviation of absolute error(STDAE). Per valutare l'impatto della DIR, la distanza di Hausdorff (HD) e il coefficiente di Dice sono stati calcolati per una struttura chiaramente identificabile (rene dx). È stata eseguita una six folds cross-validation, inoltre sono state calcolate le metriche su 3 pazienti aggiuntivi di test. Risultati: il miglior risultato è stato ottenuto utilizzando 3 canali (aria, ossa, tessuti molli) con un MAE (media ± deviazione standard) di 56 ± 10 HU, RMSE di 95 ± 18 HU e STDAE di 76 ± 16 HU sul set di validazione. Su questo modello è stata fatta cross-validation (MAE 66 ± 4 HU, RMSE 112 ± 7 HU, STDAE 108 ± 6 HU) e successivamente è stato testato. La precisione sul set di test (MAE 75 ± 3 HU, RMSE 144 ± 7 HU, STDAE 123 ± 7 HU) è paragonabile ad altri metodi pubblicati per la generazione di sCT. La corrispondenza tra i CT sintetiche e risonanza magnetica in termini di Dice e HD è buona, dimostrando che l'impatto dell'errore DIR sulla precisione della rete è trascurabile. Conclusioni: il nostro approccio ha presentato una corretta accuratezza e risultati promettenti per supportare il trattamento del tumore addominale nella terapia particellare.