用于模态转换中处理非典型解剖结构的注意力引导生成对抗网络
图像与视频处理
2021-04-16 v3 计算机视觉与模式识别
摘要
近来，在放射治疗中使用合成 CT（synCT）的仅 MR 治疗规划兴趣迅速增长。然而，为含非典型解剖结构的医学图像开发通用类解决方案仍是一大局限。在本文中，我们提出一种新颖的空间注意力引导生成对抗网络（attention-GAN）模型，以 T1 加权 MRI 图像为输入生成准确的 synCT，从而应对非典型解剖结构。对十五名脑癌患者的实验结果表明，attention-GAN 优于现有 synCT 模型，并在整个头部、骨骼和空气区域上分别实现了 synCT 与 CT-SIM 之间平均 MAE 为 85.2212.08、232.4160.86、246.3842.67 豪斯菲尔德单位。定性分析显示，attention-GAN 能够利用空间聚焦区域更好地处理离群值、复杂解剖或术后区域，从而为支持近实时仅 MR 治疗规划提供强大潜力。
引用
@article{arxiv.2006.15264,
title = {Attention-Guided Generative Adversarial Network to Address Atypical Anatomy in Modality Transfer},
author = {Hajar Emami and Ming Dong and Carri K. Glide-Hurst},
journal= {arXiv preprint arXiv:2006.15264},
year = {2021}
}
备注
IEEE 21st International Conference on Information Reuse and Integration for Data Science