融合跨模态幻觉 MRI 与 CT 以辅助纵隔肺肿瘤分割

肺肿瘤，尤其是那些位于纵隔等软组织附近或被其包围的肿瘤，由于计算机断层扫描图像软组织对比度低而难以分割。若训练时两种模态均可用，则磁共振图像所包含的优越软组织对比信息可被利用。因此，我们开发了一种跨模态诱导学习方法，其中从 CT 诱导出的 MR 信息被用于幻觉生成 MRI 并改进 CT 分割。我们称为跨模态诱导深度学习分割（CMEDL）的方法结合 CT 与由 CT 产生的伪 MR，通过对齐其特征以在 CT 上获得分割。在并行训练的 CT 与 MR 分割网络的最后两层中计算的特征被对齐。我们在 U-net 与密集全卷积网络（dense-FCN）上实现了该方法。我们的网络在来自开源 Cancer Imaging Archive 的无关队列 CT 图像（N=377）、一个内部存档 T2 加权 MR（N=81）上训练，并使用独立的验证（N=304）与测试（N=333）CT 勾画肿瘤进行评估。我们使用两种网络的方法均显著优于仅用 CT 的网络（U-net $P <0.001$；denseFCN $P <0.001$），并在验证集上达到准确率（Dice 相似系数）0.71$\pm$0.15（U-net）、0.74$\pm$0.12（denseFCN），在测试集上达到 0.72$\pm$0.14（U-net）、0.73$\pm$0.12（denseFCN）。我们的新方法证明，通过习得先验诱导跨模态信息可增强 CT 分割性能。