通过卷积神经网络从超短回波时间 MR 图像合成 CT
计算机视觉与模式识别
2018-07-31 v1
摘要
随着 PET-MR 扫描仪在临床应用中的日益普及，从 MR 合成 CT 图像已成为重要研究课题。精确的 PET 图像重建需要衰减校正，其基于组织的电子密度并可由 CT 图像获得。CT 测量 X 射线光子的电子密度信息，而 MR 图像传达组织的磁特性信息。因此，随着 PET-MR 系统的出现，衰减系数需从 MR 图像间接估计。本文提出一种基于全卷积神经网络（CNN）的方法，从超短回波时间（UTE）双回波 MR 图像合成头部 CT。与无骨信号的传统的 -加权图像不同，UTE 图像显示一定的骨信号，这使其成为 MR 到 CT 合成的良好候选。我们方法的显著优势是在小训练数据集下即获得准确结果。利用单对 CT 与双回波 UTE 图谱，我们训练深度神经网络模型以从块中学习 MR 强度到 CT 的变换。我们将基于 CNN 的模型与最先进的基于配准以及基于贝叶斯模型的 CT 合成方法比较，表明所提 CNN 模型优于二者。我们还比较了仅有 -加权图像而非 UTE 时所提模型的表现，并显示 UTE 图像比仅用 -加权图像产生更好的合成效果。
引用
@article{arxiv.1807.10850,
title = {Synthesizing CT from Ultrashort Echo-Time MR Images via Convolutional Neural Networks},
author = {Snehashis Roy and John A. Butman and Dzung L. Pham},
journal= {arXiv preprint arXiv:1807.10850},
year = {2018}
}
备注
https://link.springer.com/chapter/10.1007/978-3-319-68127-6_3, International Workshop on Simulation and Synthesis in Medical Imaging (SASHIMI 2017)