使用深度卷积神经网络的放射组学合成
计算机视觉与模式识别
2019-05-30 v2
摘要
放射组学（Radiomics）是一个快速发展的领域，致力于对感兴趣不同组织中的纹理信息进行建模以支持临床决策。然而，生成放射组学图像的计算开销极大，对于某些高阶特征（如灰度共生矩阵（GLCM）），即便使用高端 GPU，每张放射学图像也可能需要大量时间。为此，我们开发了 RadSynth，一种深度卷积神经网络（CNN）模型，以高效生成放射组学图像。RadSynth 在 24 名乳腺癌患者队列（10 名良性、10 名恶性、4 名正常）上进行了测试，用于从对比后 DCE-MRI 计算 GLCM 熵图像。与传统 GLCM 熵图像相比，RadSynth 生成的合成熵图像效果极佳。两种技术的平均百分比差异与相关性分别为 0.07 0.06 和 0.97。总之，RadSynth 为快速计算与可视化放射学图像中的纹理信息提供了一种新的有力工具。
引用
@article{arxiv.1810.11090,
title = {Radiomic Synthesis Using Deep Convolutional Neural Networks},
author = {Vishwa S. Parekh and Michael A. Jacobs},
journal= {arXiv preprint arXiv:1810.11090},
year = {2019}
}
备注
Submitted to ISBI 2019, 4 pages