不同深度学习架构用于从 MR 图像生成合成 CT 的比较
医学物理
2021-05-14 v1
摘要
与基于 CT 的规划相比，MRI 引导放射治疗计划因其优越的软组织对比度和无电离辐射而被广泛应用。在这方面，若要进行放射治疗计划，应从患者的 MRI 扫描生成合成 CT（sCT）图像。在用于此目的的不同可用方法中，深度学习算法已经且确实优于其传统对应方法。在本研究中，我们调查了一些最流行的深度学习架构（包括 eCNN、U-Net、GAN、V-Net 和 ResNet）在 sCT 生成任务上的性能。作为基线，实现了一种基于图谱的方法，并将基于深度学习的模型结果与之比较。应用由 20 对配准的男性骨盆 MR-CT 组成的数据集来评估不同 sCT 生成方法的性能。在估计的 sCT 与真实（参考）CT 图像之间计算了平均误差（ME）、平均绝对误差（MAE）、皮尔逊相关系数（PCC）、结构相似性指数（SSIM）和峰值信噪比（PSNR）指标。视觉检查显示，eCNN、V-Net 和 ResNet 生成的 sCT 与其他方法不同，噪声更小且极似真实 CT 图像。在整个骨盆区域，eCNN 产生了最低的 MAE（26.03±8.85 HU）和 ME（0.82±7.06 HU），而最高的 PCC 指标由 eCNN（0.93±0.05）和 ResNet（0.91±0.02）方法产生。ResNet 模型在所有模型中具有最高的 PSNR，为 29.38±1.75。在 Dice 相似系数方面，eCNN 方法在主要组织识别（空气、骨骼和软组织）中表现出优越性能。总而言之，eCNN 和 ResNet 深度学习方法表现出可接受的性能，且具有临床可容忍的量化误差。
引用
@article{arxiv.2105.06315,
title = {Comparison of different deep learning architectures for synthetic CT generation from MR images},
author = {Abbas Bahrami and Alireza Karimian and Hossein Arabi},
journal= {arXiv preprint arXiv:2105.06315},
year = {2021}
}