Synthetic CT generation for radiotherapy treatment planning using deep learning

The generation of synthetic CT images is a critical challenge in the context of MRI-only radiotherapy, which aims to reduce the reliance on traditional CT imaging. This thesis investigates the application and the effectiveness of the Pix2Pix framework, a conditional GAN, for translating brain MRI images into their corresponding synthetic CTs. The study explores various data preparation techniques, including 8-bit and 16-bit formats, RGB color modes, and a 2.5D model approach, to determine the most effective method for generating high-quality synthetic images. Metrics evaluation such as Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index Measure (SSIM) are employed to assess both image fidelity and structural accuracy. Additionally, synthetic CT images are further evaluated using a segmentation algorithm to isolate and analyze anatomical structures. A comparative analysis is conducted by benchmarking the results against the synthRAD2023 challenge leaderboard. The results reveal that the use of stacked 16-bit grayscale slices, yield the best image quality and structural accuracy. It suggests that 3D patch-based geometrical approaches can possibly enhance spatial continuity and further reduce errors in the generated synthetic CT images.

La generazione di immagini TC sintetiche rappresenta un'importante sfida nel contesto della radioterapia basata solo su risonanza magnetica (MRI-only), in quanto l'obiettivo è ridurre la dipendenza dalle tradizionali immagini TC. Questa tesi indaga l'applicazione e l'efficacia del framework Pix2Pix, un GAN condizionale, per la traduzione delle immagini MRI cerebrali nelle corrispondenti TC sintetiche. Lo studio esplora diverse tecniche di preparazione dei dati, tra cui i formati a 8-bit e 16-bit, le modalità a colori RGB e un approccio 2.5D, per determinare il metodo più efficace per generare immagini sintetiche di alta qualità. Metodi di valutazione come l'Errore Quadratico Medio (MSE), il Rapporto Segnale-Rumore di Picco (PSNR) e la Misura dell'Indice di Somiglianza Strutturale (SSIM) vengono utilizzati per valutare sia la fedeltà dell'immagine sia la precisione strutturale. Inoltre, le immagini TC sintetiche sono ulteriormente valutate utilizzando un algoritmo di segmentazione per isolare e analizzare le strutture anatomiche. Infine, viene condotta un'analisi comparativa confrontando i risultati con la classifica synthRAD2023. I risultati rivelano che l'uso di un approccio 2.5D migliora notevolmente la qualità delle ricostruzioni sintetiche e la precisione strutturale. Questo suggerisce che approcci geometrici basati su patch 3D possano migliorare la continuità spaziale e ridurre utleriormente gli errori nelle immagini TC sintetiche generate.