使用变分自编码器框架结合颅缝分割的 MRI 到 CT 合成
计算机视觉与模式识别
2026-01-01 v1
摘要
量化规范性儿童颅骨发育与颅缝骨化对于诊断和治疗与生长相关的头部疾病至关重要。计算机断层扫描 (CT) 被广泛用于评估颅骨与颅缝畸形；然而，其电离辐射对于无明显异常的儿童是禁忌的。磁共振成像 (MRI) 提供无辐射扫描且具有优异的软组织对比度，但与 CT 不同，MRI 无法显示颅缝、估计颅骨密度或评估颅盖生长。本研究提出了一种基于深度学习的流程，将 0.2 至 2 岁儿童的 T1 加权 MRI 转换为合成 CT (sCT)，预测详细的颅骨分割，生成颅缝概率热图，并从热图中推导出直接的颅缝分割。使用我们的内部儿童数据，sCT 相对于真实 CT 实现了 99% 的结构相似性以及 1.01 的 Fréchet Inception Distance。颅骨分割在七块颅骨上的平均 Dice 系数为 85%，颅缝的 Dice 系数达到 80%。使用两个单侧检验 (TOST p < 0.05) 证实了 sCT 与真实 CT 之间颅骨和颅缝分割的等价性。据我们所知，尽管 MRI 对骨骼和颅缝的显示有限，这是首个能够在源自 MRI 的 sCT 上实现颅缝分割的儿童颅骨 CT 合成框架。通过结合稳健的、特定领域的变分自编码器，我们的方法从常规儿童 MRI 生成在感知上无法区分的颅骨 sCT，弥合了无创颅骨评估中的关键空白。
关键词
引用
@article{arxiv.2512.23894,
title = {MRI-to-CT Synthesis With Cranial Suture Segmentations Using A Variational Autoencoder Framework},
author = {Krithika Iyer and Austin Tapp and Athelia Paulli and Gabrielle Dickerson and Syed Muhammad Anwar and Natasha Lepore and Marius George Linguraru},
journal= {arXiv preprint arXiv:2512.23894},
year = {2026}
}