Validation of a deep learning approach for abdominal synthetic ct generation using computational phantoms

Purpose: MRI can be adopted offline to support treatment planning and adaptation in hadrontherapy through the generation of synthetic CT (sCT). Deep learning methods can derive sCT from MRI data, however they suffer a lack of real validation of their performance because of the absence of a proper ground truth. We focused on the validation of a deep learning approach for abdominal sCT generation by relying on computational phantoms that ensure the presence of real ground truths. Methods: Ideal noise-free digital CT/MRI phantoms were brought closer to the characteristics of patient data via CycleGANs. The realistic and co-registered CT/MR images were used for validating the performance of a well-trained 3-channels cGAN that performs MRI-based sCT generation. The quality of the realistic CT and MR images were assessed in terms of anatomical accuracy and realistic properties. Whilst the quality of the predicted sCT was evaluated by means of similarity metrics with respect to the CT of ground truth. Results: The metrics showed a reasonable anatomical preservation between realistic and phantom images (EPR = 0.62±0.03 on CT and EPR = 0.43±0.04 on MRI) and a good degree of correlation between realistic and patient histograms (HistCC = 0.92±0.05 for CT and HistCC = 0.98±0.02 for MRI). The anatomical correspondence between the realistic CT and MRI volumes was exploited for cGAN validation. The similarity metrics between sCT and CT of GT provided a more robust evaluation of cGAN performance, which resulted aligned with the reference results. Conclusions: The synthesis of CT and MRI images via CycleGANs is a feasible approach to generate realistic images from phantoms. Also, they can serve as ground truths for the validation of deep learnings approaches for MRI-based sCT generation. The results evidenced a promising generative capability of the well-trained cGAN.

Scopo: La Risonanza Magnetica (RM) può essere adottata offline per supportare la pianificazione e l’adattamento del trattamento nell’ adroterapia attraverso la generazione di Tomografie Computerizzate Sintetiche (TCS). Metodi di deep learning possono derivare TCS da dati di RM, tuttavia soffrono la mancanza di una reale validazione a causa dell’assenza di un’adeguata TC di ground truth (GT). In questo lavoro ci siamo concentrati sulla validazione di un approccio di deep learning per la generazione di TCS addominali mediante l’utilizzo di fantocci computazionali che assicurano la presenza di TC/RM ground truths. Metodi: I fantocci digitali TC/RM sono stati inizialmente avvicinati alle caratteristiche dei dati di pazienti tramite una rete CyleGAN. Le risultanti immagini TC/MR realistiche e co-registrate sono state utilizzate per validare le prestazioni di una cGAN a 3 canali già addestrata che è responsabile della generazione di TCS a partire da dati di RM. La qualità delle immagini TC e MR realistiche è stata valutata in termini di accuratezza anatomica e proprietà realistiche. Invece, la qualità della TCS fornita dalla cGAN è stata valutata mediante metriche di somiglianza rispetto alla TC di ground truth. Risultati: Le metriche hanno confermato una ragionevole conservazione anatomica tra le immagini realistiche e i fantocci originali (EPR = 0.62±0.03 sulle TC, EPR = 0.43±0.04 sulle RM), e un buon grado di correlazione tra gli istogrammi di dati realistici e di pazienti (HistCC = 0.92±0.05 per TC e HistCC = 0.98±0.02 per RM). La corrispondenza anatomica tra TC e RM realistiche è stata sfruttata per la validazione della cGAN. Le metriche di somiglianza tra TCS e TC di GT hanno fornito una valutazione più robusta delle prestazioni della cGAN, risultando allineate con i risultati di riferimento. Conclusioni: La sintesi di immagini TC e RM mediante CycleGANs rappresenta un valido approccio per generare immagini realistiche da fantocci computazionali. Inoltre, possono essere usati come ground truths per la validazione di approcci di deep learning per la generazione di TC sintetiche basate su RM. I risultati hanno dimostrato una promettente capacità generativa della cGAN a 3 canali.