基于深度学习的MR图像合成CT生成：生成对抗网络与残差神经网络的比较
医学物理
2021-03-03 v1 图像与视频处理
摘要
目前，仅MRI放疗(RT)消除了RT流程中使用CT图像的一些顾虑，例如MR图像与单独CT的配准、额外剂量照射以及重复成像的额外成本。然而，一个剩余的挑战是MRI的信号强度与生物组织的衰减系数无关。本工作比较了两种最先进的深度学习模型的性能：一种生成对抗网络(GAN)和一种残差网络(ResNet)，用于从MR图像生成合成CT(sCT)。分析了86名参与者的脑部MR和CT图像。采用六折交叉验证方案，实现GAN和ResNet模型从3D T1加权MR图像生成合成CT。以CT图像为参考，使用平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似性指数(SSIM)等标准指标对所得sCT进行比较。总体而言，ResNet模型在脑组织的勾画方面表现出更高的准确性。ResNet模型对全头区域的CT值估计MAE为114.1 HU，而GAN模型得到的MAE为-10.9 HU。此外，两种模型提供了相当的SSIM和PSNR值，尽管ResNet方法表现出略优于GAN方法的性能。我们比较了两种最先进的深度学习模型用于基于MR的sCT生成任务。ResNet模型表现出更优的结果，从而展示了其在PET/MR衰减校正(AC)和仅MR放疗规划中合成CT生成挑战的应用潜力。
引用
@article{arxiv.2103.01609,
title = {Deep learning-based synthetic CT generation from MR images: comparison of generative adversarial and residual neural networks},
author = {Faeze Gholamiankhah and Samaneh Mostafapour and Hossein Arabi},
journal= {arXiv preprint arXiv:2103.01609},
year = {2021}
}