基于深度学习的跨解剖部位CT合成：采用适配nnResU-Net与解剖特征优先损失
图像与视频处理
2025-09-29 v1 人工智能
计算机视觉与模式识别
摘要
我们提出了一种基于块的3D nnUNet适配方法，用于利用多中心SynthRAD2025数据集进行MR到CT和CBCT到CT的图像转换，该数据集覆盖头颈部（HN）、胸部（TH）和腹部（AB）区域。我们的方法利用两种主要的网络配置：标准UNet和残差UNet，两者均从nnUNet适配而来用于图像合成。我们引入了解剖特征优先（AFP）损失，该损失比较从在TotalSegmentator标签上训练的紧凑分割网络中提取的多层特征，从而增强对临床相关结构的重建。输入体积采用逐例标准化处理：MRI使用zscore标准化，CBCT和CT使用裁剪加数据集级别的zscore标准化。训练使用针对每个解剖区域定制的3D块，未进行额外的数据增强。模型训练了1000和1500个周期，并使用组合的L1+AFP目标进行了500个周期的AFP微调。在推理过程中，重叠块通过步长为0.3的均值平均进行聚合，后处理包括反向zscore标准化。两种网络配置应用于所有区域，在保持模型设计一致性的同时，通过残差学习和AFP损失捕捉局部适应性。定性和定量评估表明，结合AFP的残差网络产生了更清晰的重建和更高的解剖保真度，特别是在MR到CT中的骨骼结构和CBCT到CT中的病变方面，而仅使用L1的网络在基于强度的指标上表现略好。该方法为跨模态医学图像合成提供了一种稳定的解决方案，展示了将自动nnUNet流程与残差学习及解剖引导的特征损失相结合的有效性。
引用
@article{arxiv.2509.22394,
title = {Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss},
author = {Javier Sequeiro González and Arthur Longuefosse and Miguel Díaz Benito and Álvaro García Martín and Fabien Baldacci},
journal= {arXiv preprint arXiv:2509.22394},
year = {2025}
}