基于块的条件的生成对抗神经网络模型比较：侧重头颈病例中用于仅 MR 计划的模型鲁棒性
计算机视觉与模式识别
2019-02-28 v4
摘要
本研究共使用 20 对 CT 和 MR 图像，考察两种条件的生成对抗网络 Pix2Pix 和 Cycle GAN，用于为头颈癌病例生成合成 CT 图像。十例患者病例用于训练，并包含诸如牙科植入物等常见伪影；其余十例测试病例用于测试，并包含临床头颈病例中更常见的图像特征范围。这些特征包括来自牙科植入物的强金属伪影、一例带有金属植入物，以及一例异常解剖结构。原始 CT 图像可变形配准到 mDixon FFE MR 图像以最小化处理 MR 图像的影响。使用基于 Hounsfield 单位(HU)的三个区域(全身、骨和体内空气)的平均绝对误差(MAE)、观察 sCT 生成中系统性平均偏移误差的平均误差(ME)，以及所有临床相关结构的剂量学评估来评价 sCT 生成精度和鲁棒性。对于测试集，Pix2Pix 和 Cycle GAN 模型在身体区域的 MAE 分别为 92.4 13.5 HU 和 100.7 14.6 HU，在骨区域分别为 166.3 31.8 HU 和 184 31.9 HU，在空气区域分别为 183.7 41.3 HU 和 185.4 37.9 HU。Pix2Pix 和 Cycle GAN 的 ME 分别为 21.0 11.8 HU 和 37.5 14.9 HU。两种模型的 PTV 和所有关键结构的绝对百分平均/最大剂量误差均小于 2%，且由这些模型生成的 DRR 在定性上与 CT 生成的 DRR 相似，表明这些方法在仅 MR 计划中大有前景。
引用
@article{arxiv.1902.00536,
title = {Comparison of Patch-Based Conditional Generative Adversarial Neural Net Models with Emphasis on Model Robustness for Use in Head and Neck Cases for MR-Only planning},
author = {Peter Klages and Ilyes Benslimane and Sadegh Riyahi and Jue Jiang and Margie Hunt and Joe Deasy and Harini Veeraraghavan and Neelam Tyagi},
journal= {arXiv preprint arXiv:1902.00536},
year = {2019}
}
备注
submitted to PMB