MR-to-CT synthesis is one of the first steps in the establishment of an MRI-only workflow in radiotherapy. Current MR-to-CT synthesis methods in deep learning use unpaired MR and CT training images with a cycle generative adversarial network (CycleGAN) to minimize the effect of misalignment between paired images. However, this approach critically assumes that the underlying interdomain mapping is approximately deterministic and one-to-one. In the current study, we use an Augmented CycleGAN (AugCGAN) model to create a robust model that can be applied to different scanners and sequences using unpaired data.

中文翻译：

---

通过使用具有未配对数据的增强循环生成对抗网络提高放射治疗中 MR-to-CT 合成的泛化

MR-to-CT 合成是在放射治疗中建立仅 MRI 工作流程的第一步。当前深度学习中的 MR-to-CT 合成方法使用未配对的 MR 和 CT 训练图像和循环生成对抗网络 (CycleGAN)，以最大限度地减少配对图像之间错位的影响。然而，这种方法严格假设底层域间映射是近似确定的和一对一的。在当前的研究中，我们使用了一个 Augmented CycleGAN (AugCGAN) 模型来创建一个健壮的模型，该模型可以使用未配对的数据应用于不同的扫描仪和序列。