적응 방사선치료(ART)는 치료 정확도를 향상시키기 위해 합성 전산화단층촬영(synthetic computed tomography, sCT) 영상 기법을 요구한다. 기존의 딥러닝 기반 sCT 기법은 복잡한 장기의 형태학적 구조를 유지하면서 상세한 구조를 합성하는 데 어려움이 있다. 이러한 문제를 해결하기 위해, 우리는 다중 스케일 어텐션 U-Net 기반 CycleGAN(MSA-CGAN)을 제안하였으며, 입력 영상과 출력 영상 간의 차이를 직접적으로 포착하기 위해 네트워크 학습에 patch-content(PC) 제한 손실을 적용하였다. MSA-CGAN의 생성기(generator)에는 추출된 특징의 다양성과 네트워크 견고성을 확보하기 위해 다중 스케일 블록을 사용하였다. 또한 정확한 학습 영상 정보를 전달하기 위해 스킵 연결(skip connections)에 어텐션 게이트(attention gates)를 추가하였다. 소스 및 가짜 영상에서 패치를 제한적으로 추출하여 모든 패치에 객체가 포함되도록 하였다. 그 결과, PC 제한 손실을 적용한 제안된 MSA-CGAN은 CycleGAN 모델(추가 손실 없음)에 비해 CT 영상을 CBCT로부터 높은 유사도로 합성하는 데 성공하였고, PSNR, SSIM 및 NCC를 각각 2.25%, 11.76%, 12.56% 향상시켰다. 또한 PC 제한 손실을 적용한 MSA-CGAN의 NRMSE는 추가 손실이 없는 CycleGAN 모델에 비해 9.77% 낮았다. 결론적으로, PC 제한 손실을 적용한 MSA-CGAN은 정밀한 sCT 영상을 제공할 수 있으며, ART의 정확도를 향상시키는 데 잠재적으로 활용될 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.