Cycle-consistent generative adversarial network for the synthesis of CT from cone-beam CT to improve adaptive radiotherapy

Radiation therapy and Hadrontherapy are specific cancer treatments that use high doses of radiation to kill cancer cells or slow their growth by damaging their DNA. The intrinsic properties of protons and photons require extremely precise and confined treatment delivery within the tumour mass in order to avoid that radiation dose is absorbed from healthy tissue or organs at risk (OARs). Thus, greater attention to the alignment of the beam and the target is critical, since a positioning error causes more damage to the patient. To meet this need, imaging systems have been incorporated into the radiotherapy framework. Nowadays, Image-Guided Radiotherapy (IGRT) is crucial to improve the precision and accuracy of treatment delivery. With the enhancement of imaging techniques, any possible variations in the radiation beam or patient geometry become measurable during the treatment process, introducing the concept of adaptive radiotherapy (ART). ART workflow starts with the acquisition of a planning 3D CT image of the patient (pCT) in order to contour the gross tumour volume (GTV) and safety margins along with the dose that will be delivered. In fact, ART aims to compensate for anatomical and pathological changes between the dose delivery plan and the fraction delivery day. Radiotherapy treatment is composed of many fractions performed on a different day and between them, some inter-fractional changes such as tumour shrinkage, weight loss or gain can occur. For this reason, almost all clinics use daily in-room imaging that will be used to adapt the position of the patient to ensure optimal delivery dose according to the plan. Cone-Beam CT (CBCT) imaging represents the most widely used image modality in IGRT, with correlated treatment and plan adaptation in cancer radiotherapy. CBCT offers advantages over conventional fan-beam CT in that it requires a shorter time and less exposure to obtain volumetric images. However, CBCT images suffer from artifacts, noise and inaccurate Hounsfield Unit (HU) compared to fan-beam CT, producing low-quality images. Therefore, it is essential to improve the image quality of CBCT to integrate these images into ART workflow. Deep learning approach has recently seen great success and growth in image-to-image translation tasks. This thesis aimed at investigating the feasibility of utilizing a cycle-consistency generative adversarial network (cGAN) to translate lowquality, original CBCT images into high-quality CT-like images equivalent to pCT. This type of network is based on unsupervised learning, allowing network training with unpaired and unaligned CBCT and pCT. In fact, CBCT and pCT images are clinically acquired at different times separated by days or weeks and is very difficult to obtain images with exactly matching anatomy for supervised training. Has been demonstrated the effectiveness of our method with CBCT and pCT images obtained from fifty-six patients. Three different architectures of cGAN were analyzed and studied. The synthesized CT (sCT) images generated by all three models have been compared with the corresponding pCT images in order to evaluate the overall performance. The evaluation was carried out with a 4-fold cross validation. Regarding the image quality distribution, all the models improved the performance in term of structural similarity index measure (SSIM) and peak signal-to-noise ratio (PSNR) of about 1,1% and 3 dB respectively. This underlines both an increase in contrast and luminance and a higher signal-to-noise ratio between sCT and pCT images with respect to baseline (CBCT vs pCT). Regarding the HU accuracy, which was quantified through the mean absolute error (MAE), a decrease of more than 50% in terms of HU greyscale values was measured for all models with respect to baseline. In this thesis has been demonstrated the feasibility of utilizing a cGAN approach for translating low-quality CBCT into pCT-like images. Further investigations and analysis, as 3D preservation of anatomical structures and dosimetric accuracy, should be implemented to include sCTs in the ART planning workflow. The work done in this thesis represents a valid starting point for this process.

La radioterapia e l’adroterapia sono trattamenti specifici per il cancro che utilizzano radiazioni ad alta energia per uccidere le cellule tumorali o rallentarne la crescita danneggiando il loro DNA. Le proprietà intrinseche dei protoni e dei fotoni richiedono una somministrazione del trattamento estremamente precisa e confinata all’interno della massa tumorale per evitare che la dose di radiazioni venga assorbita dal tessuto sano o dagli organi a rischio (OAR) in prossimità del cancro. Quindi, una maggiore attenzione all’allineamento tra il fascio di radiazioni e il tessuto tumorale utilizzato come bersaglio è fondamentale, poiché un errore di posizionamento può causare danni secondari al paziente. Per soddisfare questa necessità, i sistemi di imaging sono stati incorporati ed integrati nel framework della radioterapia. Infatti al giorno d’oggi, la radioterapia guidata dalle immagini (IGRT) è fondamentale per migliorare la precisione e l’accuratezza della somministrazione del trattamento. Con il miglioramento delle tecniche di imaging, è diventato possibile misurare ogni possibile variazione nel fascio di radiazioni o nella geometria del paziente direttamente durante il trattamento, aprendo le porte al concetto di radioterapia adattiva (ART). Ogni processo di radioterapia adattiva inizia con l’acquisizione di una CT 3D di pianificazione (pCT) del trattamento al fine di delineare il volume tumorale lordo (GTV), la dose e i margini di sicurezza entro cui la dose dovrà essere erogata. Infatti, l’obiettivo della radioterapia adattiva è quello di compensare gli inevitabili cambiamenti anatomici e patologici che avvengono tra il giorno di pianificazione del trattamento e quello della sua effettiva somministrazione. É importante sottolineare che il trattamento radioterapico è suddiviso in diverse sessioni temporali, e tra queste sessioni possono verificarsi diversi tipi di cambiamenti. I più comuni sono il restringimento della massa tumorale e la perdita o aumento di peso. Per questo motivo, quasi tutte le strutture cliniche utilizzano quotidianamente l’in-room imaging che viene sfruttato per adattare la posizione del paziente al fine di garantire un’erogazione del trattamento ottimale secondo il piano concordato. La Cone-Beam CT (CBCT) rappresenta la modalità di imaging più utilizzata per adattare il trattamento di radioterapia nell’ambito dell’ IGRT. La CBCT offre innumerevoli vantaggi rispetto alla tradizionale fan-beam CT, in quanto richiede un tempo più breve di acquisizione e una conseguente minor esposizione per ottenere immagini volumetriche. Tuttavia, le immagini CBCT soffrono di artefatti, hanno un elevato rumore e presentando unità di Hounsfield (HU) imprecise rispetto a quelle ottenute con una CT tradizionale; ciò si traduce in immagini con bassa qualità. Pertanto, è essenziale migliorare la qualità delle immagini CBCT per poterle integrare nel flusso di lavoro della radioterapia adattiva. Approcci basati sul deep learning hanno recentemente visto un gran successo e una considerevole crescita nell’ambito del trasferimento image-to-image. Partendo da questo presupposto, questa tesi ha come obiettivo quello di investigare la fattibilità dell’utilizzo di una rete generativa adversariale a coerenza ciclica (cGAN) per convertire immagini originali CBCT, caratterizzate da bassa qualità, in immagini che presentano caratteristiche simili o equivalenti alle CT di pianificazione, caratterizzate invece da una migliore qualità generale. Questo tipo di rete si basa su un approccio di apprendimento non supervisionato, permettendo così un addestramento della rete con immagini CBCT e pCT non abbinate e non allineate. Infatti, le immagini CBCT e pCT sono acquisite in intervalli di tempo che possono differire di giorni o settimane, ed è molto difficile ottenere immagini con un’anatomia esattamente corrispondente per un addestramento di tipo supervisionato. L’efficacia del metodo utilizzato è stata dimostrata con immagini CBCT e pCT ottenute da 56 pazienti, e sono state analizzate e studiate tre diverse architetture di cGAN. Le immagini CT sintetiche (sCT) generate da tutti e tre i modelli considerati sono state confrontate con le corrispondenti immagini pCT per valutarne le prestazioni complessive. La valutazione è stata effettuata con una 4-fold cross validazione. Per quanto riguarda la distribuzione della qualità dell’immagine, tutti i modelli hanno migliorato le prestazioni in termini di indice di similarità strutturale (SSIM) e di peak signal-to-noise ratio (PSNR) rispettivamente di circa 1,1% e 3 dB. Questo sottolinea sia un aumento del contrasto e della luminanza, sia un rapporto segnale-rumore più elevato tra le immagini sCT e pCT rispetto alla baseline (CBCT vs pCT). Per quanto riguarda invece l’accuratezza delle HU, quantificata attraverso l’errore assoluto medio (MAE), è stata misurata una diminuzione di oltre il 50% in termini di valori della scala di grigi HU risultante per tutti i modelli rispetto alla baseline. Si può quindi affermare che in questa tesi sia stata dimostrata la fattibilità di convertire immagini CBCT di bassa qualità in immagini comparabili alle pCT utilizzando reti di tipo cGAN. Ulteriori indagini e analisi, come lo studio della conservazione 3D delle strutture anatomiche e l’accuratezza dosimetrica, dovrebbero essere implementate per includere le sCT generate da una cGAN all’interno della pianificazione ART. Per concludere, si può affermare che il lavoro svolto in questa tesi rappresenta un valido punto di partenza per questo processo.