In this project, we investigate approaches to generating
synthetic computed tomography (CT) images from the real
magnetic resonance imaging (MRI) data. Generating
radiological scans has grown in popularity in recent years
due to its promise to enable single-modality radiotherapy
planning in clinical oncology, where the co-registration of
the radiological modalities is cumbersome. We rely on
generative adversarial network (GAN) models with cycle
consistency, which permit unpaired image-to-image
translation between the modalities. We also introduce the
perceptual loss function term and the coordinate
convolutional layer to further enhance the quality of
translated images. The Unsharp masking and the super-
resolution GAN (SRGAN) were considered to improve the 
quality of synthetic images. The proposed architectures were
trained on unpaired MRI-CT data and then evaluated on a
paired brain dataset. The resulting CT scans were generated
with a mean absolute error (MAE), a peak signal-to-noise
ratio (PSNR) and structural similarity (SSIM) scores of 60,83
HU, 17,21 dB, and 0,8, respectively. DualGAN, with
perceptual loss function term and coordinated convolutional
layer, proved to perform best. The MRI-CT translation
approach holds the potential to eliminate the need for the
patients to undergo both examinations and to be clinically
accepted as a new tool for radiotherapy planning.

Dans ce projet, nous étudions des approches pour générer des images synthétiques de tomodensitométrie (TDM) à partir de données réelles d'imagerie par résonance magnétique (IRM). La génération de scans radiologiques a gagné en popularité ces dernières années en raison de sa promesse de permettre la planification d'une radiothérapie à modalité unique en oncologie clinique, où le co-enregistrement des modalités radiologiques est fastidieux. Nous nous appuyons sur des modèles de réseau antagoniste génératif (GAN) avec une cohérence de cycle, qui permettent une traduction image à image non appariée entre les modalités. Nous introduisons également le terme de fonction de perte perceptuelle et la couche de convolution coordonnée pour améliorer encore la qualité des images traduites. Le masquage Unsharp et le GAN super-résolution (SRGAN) ont été considérés pour améliorer la qualité des images synthétiques. Les architectures proposées ont été formées sur des données IRM-CT non appariées, puis évaluées sur un ensemble de données cérébrales appariées. Les tomodensitogrammes résultants ont été générés avec une erreur absolue moyenne (MAE), un rapport signal sur bruit maximal (PSNR) et des scores de similarité structurelle (SSIM) de 60,83 HU, 17,21 dB et 0,8, respectivement . DualGAN, avec un terme de fonction de perte perceptuelle et une couche convolutionnelle coordonnée, s'est avéré le plus performant. L'approche de traduction IRM-CT a le potentiel d'éliminer la nécessité pour les patients de subir les deux examens et d'être cliniquement acceptée comme un nouvel outil de planification de la radiothérapie.

Generating radiological scans has grown in popularity in
recent years. Here, we generate synthetic computed
tomography (CT) images from real magnetic resonance
imaging (MRI) data. Our architectures were trained on
unpaired MRI-CT data and then evaluated on a paired brain
dataset. The MRI-CT translation approach holds the potential
to eliminate the need for the patients to undergo both
examinations and to be clinically accepted as a new tool for
radiotherapy planning.

La génération de scans radiologiques a gagné en popularité ces dernières années. Ici, nous générons des images synthétiques de tomodensitométrie (TDM) à partir de données réelles d'imagerie par résonance magnétique (IRM). Nos architectures ont été formées sur des données IRM-CT non appariées, puis évaluées sur un ensemble de données cérébrales appariées. L'approche de traduction IRM-CT a le potentiel d'éliminer la nécessité pour les patients de subir les deux examens et d'être cliniquement acceptée comme un nouvel outil de planification de la radiothérapie.

Generation of computer tomography scans from magnetic resonance images