자기공명영상 유도 방사선치료(MRIgRT)를 위한 합성 전산화단층촬영(sCT) 기법은 이온화 방사선 노출로 인해 발생하는 위험을 제거하고 임상 워크플로를 간소화하는 데 중요한 역할을 한다. 그러나 기존의 sCT 기법은 MR 영상-CT 영상 변환에서 오류를 유발하며 높은 계산 비용이 요구된다. 이러한 제한은 기존 sCT 기법의 임상적 적용을 방해한다. 본 연구에서는 MRIgRT를 위한 정확한 합성 전산화단층촬영(sCT) 영상을 생성하기 위해 스윈(Swin) 변환기 기반 순환 생성적 적대 신경망(SCGAN)을 제안하였다. SCGAN의 생성기(generator)에서 합성곱(convolution) 층을 일부 4~6개의 잔차 스윈 변환기 블록(residual Swin transformer blocks, RSTBs)으로 대체하여 학습 가능한 파라미터를 감소시켰다. 각 RSTB에서는 입력 영상의 심층 특징을 2개의 연속된 스윈 변환기 층을 통해 추출하였으며, 이를 통해 다중 헤드 자기어텐션(multi-head self-attention, W-MSA)과 시프트 윈도우 다중 헤드 자기어텐션(shift window multi-head self-attention, SW-MSA)을 구현할 수 있다. 제안된 모델의 성능은 Pix2Pix와 CycleGAN의 성능과 비교하였다. 그 결과, 제안 모델의 sCT 영상은 정답(ground-truth) 영상에 가깝게 나타났고, SSIM은 각각 Pix2Pix 및 CycleGAN에 비해 평균 21.57% 및 9.67% 더 높았다. 결론적으로, 제안된 SCGAN은 MRIgRT를 위한 정확한 sCT 영상을 제공할 수 있다.

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