本技術主要利用人工智慧深度神經網路學習中的循環生成式對抗神經網路來提升錐狀電腦斷層影像品質，將定位用之扇形電腦斷層影像設定為錐狀電腦斷層影像之學習目標影像，而扇形與錐狀電腦斷層影像都是同ㄧ位病人之影像，只是在不同時間擷取，此計畫是利用16位乳癌病患治療影像目的是讓錐狀電腦斷層影像經過深度神經網路學習後可提升影像品質。本計畫是結合循環生成式對抗神經網路(Cycle-GAN)與去模糊化生成式對抗神經網路(Deblur-GAN)所創造出來的循環生成式對抗神經網路(Cycle-Deblur GAN)，之間更加入InceptionBlock作為提取不同大小特徵的神經層，更加上更多的捷徑(short cut)作為保留原始影像特徵的功能，雖然Cycle-GAN的神經網路已經應用在攝護腺癌病人的骨盆電腦斷層影像，但是應用在本計畫之乳癌病患電腦斷層影像上，卻沒有得出很好的結果，所以發展創新此循環生成式對抗神經網路促進乳癌病人之胸部錐狀電腦斷層影像品質，更利用峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)與結構相似指標(Structural Similarity Index, SSIM)來評估影像品質。

胸部電腦斷層含肺部組織、軟組織與肌肉，循環生成式對抗神經網路發表骨盆部位電腦斷層影像品質促進的成果，但用於胸部電腦斷層影像結果不佳，本技術結合循環生成式對抗神經網路與去模糊化生成式對抗神經網路形成循環生成式對抗神經網路，增加InceptionBlock與short cut提取特徵與保留影像結構特徵。

放射治療錐狀電腦斷層影像對位是最普遍的影像導引技術，循環去模糊化生成式對抗神經網路(Cycle-Deblur GAN)解決因為散射、假影造成不好的影像品質之錐狀電腦斷層影像，會幫助治療前的對位精準，另外促進錐狀電腦斷層影像品質後，對於發展近幾年相關於影像組學(Radiomics)也會有很大的幫助。