用于 MR 到 CT 合成的深度增强回归
医学物理
2018-08-23 v1 人工智能
机器学习
摘要
衰减校正是正电子发射断层扫描（PET）图像重建的基本要求，以实现准确的定量。然而，对于 PET-MRI 而言，衰减校正尤其具有挑战性，因为 PET 和磁共振成像（MRI）均无法直接成像组织衰减特性。基于 MRI 的计算机断层扫描（CT）合成已被提出，作为基于物理和基于分割的方法的替代方案，后者通过分配基于群体水平的组织密度值来生成衰减图。我们提出了一种新颖的深度全卷积神经网络，该网络以递归方式生成合成 CT，通过逐步减小前一网络的残差来提高整体准确性和泛化能力，同时将可训练参数的数量保持在合理范围内。该模型在 20 对预先获取的 MRI/CT 配对数据库上训练，并采用 80:20 划分进行四折随机自助法验证。定量结果表明，所提出的框架优于最先进的基于图谱的方法，将合成 CT 的平均绝对误差（MAE）从 131HU 降低到 68HU，并将 PET 重建误差从 14.3% 降低到 7.2%。
引用
@article{arxiv.1808.07431,
title = {Deep Boosted Regression for MR to CT Synthesis},
author = {Kerstin Kläser and Pawel Markiewicz and Marta Ranzini and Wenqi Li and Marc Modat and Brian F Hutton and David Atkinson and Kris Thielemans and M Jorge Cardoso and Sebastien Ourselin},
journal= {arXiv preprint arXiv:1808.07431},
year = {2018}
}
备注
Accepted at SASHIMI2018