利用模仿学习改进用于PET/MR衰减校正的MR到CT合成
图像与视频处理
2020-04-15 v2 计算机视觉与模式识别
机器学习
医学物理
摘要
从MRI输入数据合成计算机断层扫描图像（通常称为伪CT或pCT）的能力，通常使用基于强度的相似性（如真实CT与pCT之间的L2范数）来评估。然而，鉴于最终目的通常是将pCT用作正电子发射断层扫描磁共振成像（PET/MRI）中的衰减图（-map），最小化pCT与CT之间的误差并不一定是最优的。主要目标应是预测一个pCT，当用作-map时，能重建出尽可能接近金标准PET的伪PET（pPET）。为此，我们提出了一种新颖的多假设深度学习框架，该框架通过最小化pCT与CT之间的像素级误差以及一个提出的度量损失（该损失本身由一个卷积神经网络（CNN）表示，旨在最小化后续的PET残差）的组合来生成pCT。该模型在一个包含400对配准的MR/CT/PET图像切片的数据集上进行训练。定量结果表明，与基线CNN（66.25HU）相比，该网络生成的pCT在评估pCT的平均绝对误差时似乎不太准确（69.68HU），但在PET重建中带来了显著改善——115a.u.对比基线的140a.u.。
引用
@article{arxiv.1908.08431,
title = {Improved MR to CT synthesis for PET/MR attenuation correction using Imitation Learning},
author = {Kerstin Kläser and Thomas Varsavsky and Pawel Markiewicz and Tom Vercauteren and David Atkinson and Kris Thielemans and Brian Hutton and M Jorge Cardoso and Sebastien Ourselin},
journal= {arXiv preprint arXiv:1908.08431},
year = {2020}
}
备注
Aceppted at SASHIMI2019