从 MRI 到 FDG-PET：使用 3D U-Net 的跨模态合成用于多模态阿尔茨海默病分类
计算机视觉与模式识别
2018-07-31 v2
摘要
近期研究表明，结合测量脑萎缩的磁共振成像（MRI）与量化低代谢的正电子发射断层扫描（PET）进行联合分析，可提高阿尔茨海默病的诊断准确率。然而，此类技术受限于每种模态对应扫描的可用性。当前工作聚焦于一种跨模态方法，利用 3D U-Net 架构根据给定 MR 扫描估计 FDG-PET 扫描。使用完整的 MR 图像而非基于局部块的方法，有助于捕捉 MRI 与 PET 模态间非局部且非线性的相关性。估计的 PET 扫描质量通过 MAE、PSNR 和 SSIM 等定量指标衡量。所提方法的效能在与阿尔茨海默病分类相关的背景下进行评估。仅使用 MRI 的准确率为 70.18%，而使用合成 PET 与 MRI 的联合分类准确率为 74.43%，p 值为 。诊断上的显著改善证明了合成 PET 扫描在多模态分析中的效用。
引用
@article{arxiv.1807.10111,
title = {MRI to FDG-PET: Cross-Modal Synthesis Using 3D U-Net For Multi-Modal Alzheimer's Classification},
author = {Apoorva Sikka and Skand Vishwanath Peri and Deepti. R. Bathula},
journal= {arXiv preprint arXiv:1807.10111},
year = {2018}
}