基于2D与3D卷积神经网络从T1加权MRI生成男性盆腔合成CT
医学物理
2019-08-06 v1
摘要
为实现仅磁共振(MR)放疗，需采用一种方法估计合成CT(sCT)以生成电子密度图和患者定位参考图像。我们研究了使用T1加权MR图像生成男性盆腔sCT的2D与3D卷积神经网络(CNN)方法。使用20名前列腺癌患者的CT和T1加权MR图像进行回顾性研究。所提出的2D CNN模型包含27个卷积层，由SegNet改进而来以获得更好性能。同时也开发了该CNN模型的3D版本。两个CNN模型均从头训练，将T1加权MR图像强度映射到CT亨氏单位(HU)值。每幅sCT在五折交叉验证框架中生成，并使用体素级平均绝对误差(MAE)、以及骨性结构的骰子相似系数(DSC)、召回率和精确率与相应CT比较。采用Wilcoxon符号秩检验评估两模型间差异。2D与3D CNN模型对所有患者的平均MAE分别为40.5 5.4 HU和37.6 5.1 HU。骨性结构的DSC、召回率和精确率，2D CNN模型为0.81 0.04、0.85 0.04和0.77 0.09，3D CNN模型为0.82 0.04、0.84 0.04和0.80 0.08。除召回率(为0.6)外，Wilcoxon符号秩检验的P值均小于0.05。2D与3D CNN模型使用T1加权MR图像为20名患者生成了准确的盆腔sCT。评估指标与统计检验表明，3D模型能够生成具有更好MAE、骨DSC和骨精确率的sCT。未来将测试并比较两模型所生成sCT在剂量计算和患者定位中的精度。
引用
@article{arxiv.1803.00131,
title = {Male pelvic synthetic CT generation from T1-weighted MRI using 2D and 3D convolutional neural networks},
author = {Jie Fu and Yingli Yang and Kamal Singhrao and Dan Ruan and Daniel A. Low and John H. Lewis},
journal= {arXiv preprint arXiv:1803.00131},
year = {2019}
}
备注
Medical Physics 2019