DOI: https://doi.org/10.3389/fonc.2026.1756153
PMID: https://pubmed.ncbi.nlm.nih.gov/41800047
تاريخ النشر: 2026-02-20
المؤلف: Jessica Prunaretty وآخرون
الموضوع الرئيسي: تقنيات العلاج الإشعاعي المتقدمة
نظرة عامة
تستقصي هذه الدراسة توليد وتقييم الصور السينية المحوسبة الاصطناعية (sCT) المستمدة من مسح التصوير المقطعي المحوسب باستخدام الأشعة المخروطية (CBCT) باستخدام الذكاء الاصطناعي، مع التركيز بشكل خاص على المرضى الذين يعانون من سرطانات الحوض، والرأس والعنق، والرئة، والثدي. بالتعاون مع TheraPanacea، استخدم الباحثون بنية cycleGAN لتطوير نماذج sCT المعتمدة على الذكاء الاصطناعي. شملت الدراسة 51 مريضًا من مؤسستين أوروبيتين، مع الحصول على مسحات CBCT من أنظمة مسرعات خطية من Varian وElekta. تم قياس دقة الصور باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE)، ومؤشر التشابه الهيكلي (SSIM)، ونسبة الإشارة إلى الضوضاء (PSNR)، بينما تم إجراء تقييمات جرعات عن طريق مقارنة خطط العلاج على CTs التخطيطية (pCTs) وCTs المشوهة (wCTs).
أشارت النتائج إلى تحسين كبير في جودة الصورة، حيث انخفض MAE من $122.95 \pm 50.07$ إلى $23.65 \pm 10.09$، وزاد SSIM من $0.78 \pm 0.12$ إلى $0.97 \pm 0.03$، وارتفع PSNR من $35.01 \pm 7.24$ إلى $44.35 \pm 7.07$. علاوة على ذلك، كشفت المقارنات الجرعية عن توافق قوي بين pCT وwCT، مع اختلافات نسبية متوسطة أقل من 0.5% لكل من الأهداف والأعضاء المعرضة للخطر. وصلت معدلات النجاح في اختبار غاما لمعايير 2%/2 مم و3%/3 مم إلى 100% عبر جميع المواقع التشريحية، مع عدم وجود اختلافات أداء كبيرة بين sCTs الناتجة من النظامين. تستنتج الدراسة أن sCTs التي تم إنشاؤها بواسطة الذكاء الاصطناعي مقبولة سريريًا، وتساعد في تسريع تحويل الصور، وقد تحسن من تنفيذ علاجات الإشعاع التكيفية.
مقدمة
تناقش مقدمة ورقة البحث التنفيذ المتزايد للعلاج الإشعاعي التكيفي عبر الإنترنت (oART) في البيئات السريرية، مع تسليط الضوء على قدرته على تعديل خطط العلاج بناءً على التغيرات اليومية الخاصة بالمرضى. تم تطوير سير العمل الأولية للعلاج الإشعاعي التكيفي عبر الإنترنت باستخدام العلاج الإشعاعي الموجه بالرنين المغناطيسي (MRgRT)، بينما أصبحت تقنية Ethos® Therapy من Varian Medical Systems هي أول حل تجاري لـ oART يستخدم صور التصوير المقطعي المحوسب بالأشعة المخروطية (CBCT). على الرغم من مزايا CBCT في تقارير الجرعات والمراقبة، فإن تطبيقه في تعديل الخطط يعيقه مشاكل جودة الصورة وعدم الدقة في حسابات الجرعة بسبب العيوب الناتجة عن التشتت وخوارزميات إعادة البناء.
لمعالجة هذه التحديات، تم اقتراح حلول متنوعة، بما في ذلك تسجيل الصور القابلة للتشويه وتصحيح التشتت، جنبًا إلى جنب مع التقدم في الذكاء الاصطناعي. ومن الجدير بالذكر أن تقنيات التعلم العميق قد اكتسبت زخمًا، حيث قام Kia وآخرون بتطوير تقنية التصوير المقطعي المحوسب الاصطناعي (sCT) من صور CBCT باستخدام شبكة عصبية عميقة لتحسين جودة الصورة لمرضى سرطان البروستاتا. استكشفت الدراسات اللاحقة هياكل مختلفة، مثل الشبكات التنافسية التوليدية (GANs)، حيث أظهرت CycleGAN أداءً متفوقًا في توليد sCT من CBCT للرأس والعنق. تهدف هذه الورقة إلى تقديم وتقييم طريقة جديدة تعتمد على الذكاء الاصطناعي لتوليد sCT في سياق التحقق قبل السريري، مع التركيز على تحسين تطبيقات CBCT للعلاج الإشعاعي التكيفي عبر أنواع مختلفة من السرطان، بما في ذلك سرطانات الحوض، والرأس والعنق، والرئة، والثدي.
الطرق
تحدد قسم “المواد والطرق” في ورقة البحث التصميم التجريبي والإجراءات المستخدمة للتحقيق في سؤال البحث. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية تكرار الدراسة. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الأساليب الإحصائية أو النماذج الحاسوبية، والتي تعتبر حاسمة لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الإعداد التجريبي، بما في ذلك ظروف التحكم وأي متغيرات تم التلاعب بها خلال الدراسة. تعتبر هذه الوثائق الشاملة للطرق ضرورية للتحقق من النتائج وتسمح للباحثين الآخرين بتكرار الدراسة أو البناء على نتائجها. بشكل عام، تعتبر الوضوح والدقة في هذا القسم أساسية لسلامة البحث.
النتائج
اكتمل تدريب نموذج التصوير المقطعي المحوسب الاصطناعي (sCT) في حوالي أسبوعين، حيث تم تحقيق التقارب بعد حوالي 200 دورة على وحدات معالجة الرسوميات NVIDIA RTX 3090. أنتج النموذج صور sCT بدقة متساوية الأبعاد تبلغ 1 مم³، مع إجمالي وقت توليد يبلغ حوالي 50 ثانية لكل حالة، والتي شملت تحسين الصورة. أظهرت النتائج تحسينًا كبيرًا في جودة صورة sCT مقارنةً بـ CBCT، كما يتضح من انخفاض متوسط الخطأ المطلق (MAE) من 122.95 ± 50.07 إلى 23.65 ± 10.09، وزيادة في مؤشر التشابه الهيكلي (SSIM) من 0.78 ± 0.12 إلى 0.97 ± 0.03، وتحسن في نسبة الإشارة إلى الضوضاء (PSNR) من 35.01 ± 7.24 إلى 44.35 ± 7.07 عبر مواقع تشريحية مختلفة.
أشارت تحليل توزيع الجرعة إلى أن الاختلافات النسبية المتوسطة في الجرعة لحجم الهدف التخطيطي (PTV) كانت دائمًا أقل من 0.5% عبر جميع مقاييس الجرعة، مع أقصى انحراف قدره 2.95% لـ D98% في منطقة الصدر. بالنسبة للأعضاء المعرضة للخطر، ظلت الاختلافات النسبية المتوسطة في الجرعة أيضًا تحت 0.5%، مع أكبر تباين يبلغ -4.46% لـ V30Gy للقلب. أكدت تحليل غاما أيضًا دقة توزيعات الجرعات المحسوبة على sCT مقارنةً بـ wCT، مع حد أدنى لمعدل النجاح يبلغ 96.6% لحالة الصدر تحت معيار 2%/2 مم. تؤكد هذه النتائج على إمكانيات نموذج sCT المعتمد على الذكاء الاصطناعي في تحسين جودة التصوير ودقة حساب الجرعات في تخطيط العلاج الإشعاعي.
المناقشة
تقدم الدراسة نهجًا جديدًا يستخدم الشبكات التنافسية التوليدية ثلاثية الأبعاد (CycleGANs) لتوليد صور التصوير المقطعي المحوسب الاصطناعي (sCT) من مسحات CBCT عبر أنواع متعددة من السرطان، بما في ذلك سرطانات الحوض، والرأس والعنق، والرئة، والثدي. تشمل المنهجية عملية تدريب من مرحلتين: أولاً، توليد أزواج CBCT-CT متطابقة تمامًا من خلال تقنية محاكاة مسجلة ببراءة اختراع تحاكي تصوير CBCT السريري، تليها تحسين باستخدام بيانات CBCT الحقيقية للتكيف مع الخصائص السريرية. يعالج هذا النهج بفعالية تحديات التباين التشريحي وعدم دقة التسجيل، مما يسمح بتدريب مشرف قوي ويولد صور sCT لا يمكن تمييزها سريريًا عن صور CT الحقيقية.
تشير النتائج إلى دقة عالية في توليد الصور، مع متوسط خطأ مطلق (MAE) قدره 23.65 ± 10.09 عبر جميع المواقع التشريحية، وتظهر التقييمات الجرعية اختلافات متوسطة في الجرعة ضمن 0.5% ومعدلات نجاح غاما تبلغ 100% لكل من معايير 3%/3 مم و2%/2 مم. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الاعتماد على CT التخطيطي كمعيار مرجعي، والتغيرات التشريحية المحتملة مع مرور الوقت، وحجم مجموعة الاختبار الصغيرة نسبيًا، مما قد يؤثر على قابلية تعميم النتائج. يؤكد المؤلفون على الحاجة إلى مزيد من الدراسات السريرية المستقبلية للتحقق من إمكانية تكرار ودمج هذه الطريقة لتوليد sCT المعتمدة على التعلم العميق في سير العمل السريري الروتيني، بالإضافة إلى إنشاء معايير موحدة لتقييم جودة sCT لتسهيل اعتمادها السريري الأوسع.
DOI: https://doi.org/10.3389/fonc.2026.1756153
PMID: https://pubmed.ncbi.nlm.nih.gov/41800047
Publication Date: 2026-02-20
Author(s): Jessica Prunaretty et al.
Primary Topic: Advanced Radiotherapy Techniques
Overview
This study investigates the generation and clinical evaluation of synthetic CT (sCT) images derived from multi-center cone-beam computed tomography (CBCT) scans using artificial intelligence, specifically targeting patients with pelvic, head-and-neck, lung, and breast cancers. Collaborating with TheraPanacea, the researchers employed a cycleGAN architecture to develop AI-based sCT models. The study involved 51 patients from two European institutions, with CBCT scans obtained from Varian and Elekta linear accelerator systems. Image accuracy was quantified using metrics such as mean absolute error (MAE), structural similarity index (SSIM), and peak signal-to-noise ratio (PSNR), while dosimetric evaluations were conducted by comparing treatment plans on planning CTs (pCTs) and warped CTs (wCTs).
The results indicated a significant enhancement in image quality, with MAE decreasing from $122.95 \pm 50.07$ to $23.65 \pm 10.09$, SSIM increasing from $0.78 \pm 0.12$ to $0.97 \pm 0.03$, and PSNR rising from $35.01 \pm 7.24$ to $44.35 \pm 7.07$. Furthermore, dosimetric comparisons revealed strong agreement between pCT and wCT, with median relative differences under 0.5% for both targets and organs at risk. Gamma passing rates for 2%/2 mm and 3%/3 mm criteria reached 100% across all anatomical sites, with no significant performance differences between the sCTs generated from the two systems. The study concludes that AI-generated sCTs are clinically acceptable, facilitate faster image conversion, and may improve the implementation of adaptive radiotherapy treatments.
Introduction
The introduction of the research paper discusses the growing implementation of online adaptive radiotherapy (oART) in clinical settings, highlighting its capacity to adjust treatment plans based on daily patient-specific variations. The initial workflows for online adaptive radiotherapy were developed using magnetic resonance-guided radiotherapy (MRgRT), while Varian Medical Systems’ Ethos® Therapy became the first commercial oART solution utilizing cone beam computed tomography (CBCT) images. Despite the advantages of CBCT in dose reporting and monitoring, its application in plan adaptation is hindered by image quality issues and inaccuracies in dose calculations due to artifacts from scatter and reconstruction algorithms.
To address these challenges, various solutions have been proposed, including deformable image registration and scatter correction, alongside advancements in artificial intelligence. Notably, deep learning techniques have gained traction, with Kia et al. pioneering the creation of synthetic CT (sCT) from CBCT images using a deep convolutional neural network to enhance image quality for prostate cancer patients. Subsequent studies have explored different architectures, such as generative adversarial networks (GANs), with CycleGAN demonstrating superior performance in generating sCT from head and neck CBCT. This paper aims to introduce and evaluate a novel AI-based method for sCT generation in a pre-clinical validation context, targeting the optimization of CBCT applications for adaptive radiotherapy across various cancer types, including pelvic, head and neck, lung, and breast cancers.
Methods
The “Materials and Methods” section of the research paper outlines the experimental design and procedures employed to investigate the research question. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the study. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods or computational models, which are crucial for interpreting the results.
Additionally, the section may describe the experimental setup, including control conditions and any variables manipulated during the study. This thorough documentation of methods is essential for validating the findings and allows other researchers to replicate the study or build upon its results. Overall, the clarity and precision in this section are fundamental for the integrity of the research.
Results
The training of the synthetic CT (sCT) model was completed in approximately two weeks, achieving convergence after around 200 epochs on NVIDIA RTX 3090 GPUs. The model generated sCT images at an isotropic resolution of 1 mm³, with a total generation time of about 50 seconds per case, which included image augmentation. The results demonstrated a significant enhancement in image quality of sCTs compared to cone-beam CT (CBCT), as evidenced by a reduction in mean absolute error (MAE) from 122.95 ± 50.07 to 23.65 ± 10.09, an increase in structural similarity index (SSIM) from 0.78 ± 0.12 to 0.97 ± 0.03, and an improvement in peak signal-to-noise ratio (PSNR) from 35.01 ± 7.24 to 44.35 ± 7.07 across various anatomical sites.
Dose distribution analysis indicated that the median relative dose differences for the planning target volume (PTV) were consistently below 0.5% across all dose metrics, with a maximum deviation of 2.95% for D98% in the thorax region. For organs at risk, the median relative dose differences also remained under 0.5%, with the largest variation being -4.46% for V30Gy of the heart. Gamma analysis further confirmed the accuracy of dose distributions calculated on the sCT compared to warped CT, with a minimum passing rate of 96.6% for the thorax case under the 2%/2 mm criterion. These findings underscore the potential of the AI-based sCT model in enhancing imaging quality and dose calculation accuracy in radiotherapy planning.
Discussion
The study presents a novel approach utilizing 3D Cycle Generative Adversarial Networks (CycleGANs) to generate synthetic CT (sCT) images from cone-beam CT (CBCT) scans across multiple cancer types, including pelvic, head and neck, lung, and breast cancers. The methodology involves a two-stage training process: first, generating perfectly aligned CBCT-CT pairs through a patented simulation technique that mimics clinical CBCT imaging, followed by refinement using real CBCT data to adapt to clinical characteristics. This approach effectively addresses the challenges of anatomical variability and registration inaccuracies, allowing for robust supervised training and yielding synthetic CT images that are clinically indistinguishable from true CT images.
The results indicate high accuracy in image generation, with a mean absolute error (MAE) of 23.65 ± 10.09 across all anatomical sites, and dosimetric evaluations showing median dose differences within 0.5% and gamma pass rates of 100% for both 3%/3mm and 2%/2mm criteria. However, the study acknowledges limitations, including the reliance on planning CT as the reference standard, potential anatomical variations over time, and the relatively small test cohort size, which may affect the generalizability of the findings. The authors emphasize the need for further prospective clinical studies to validate the reproducibility and integration of this deep learning-based sCT generation method into routine clinical workflows, as well as the establishment of standardized criteria for assessing sCT quality to facilitate broader clinical adoption.