基于深度学习的心脏CT合成对比增强
计算机视觉与模式识别
2018-07-06 v1 机器学习
摘要
在欧洲，20%的CT扫描覆盖胸部区域。所获取的图像包含关于心血管系统的信息，但由于心脏区域缺乏对比度，这些信息往往处于潜在状态。另一方面，对比增强计算机断层扫描（CECT）是一种能够轻松评估心腔容积与对比动力学的成像技术。本工作旨在利用基于卷积神经网络的深度学习方法，解决这些潜在信息的提取与呈现问题。我们从无对比剂图像中提取相关特征，尝试将其重新映射到CECT的典型特征上，以合成一幅在心脏腔室中呈现衰减的图像，如同虚拟注射了碘对比剂。其目的是估算左心腔容积并评估对比动力学。我们的方法基于一个反卷积网络，该网络在120名同时接受同一对比动脉期与同一心脏期CT采集的患者数据集上训练。为确保预测的CECT图像在数值与形态上可靠，我们定义了一种自定义损失函数，结合用于寻找逐像素对应的误差函数（考虑输入与输出图像间以亨氏单位衡量的相似性）以及对合成与真实CECT图像二值化版本计算的交叉熵。所提方法最终在20名受试者上进行了测试。
引用
@article{arxiv.1807.01779,
title = {Synthetic contrast enhancement in cardiac CT with Deep Learning},
author = {Gianmarco Santini and Lorena M. Zumbo and Nicola Martini and Gabriele Valvano and Andrea Leo and Andrea Ripoli and Francesco Avogliero and Dante Chiappino and Daniele Della Latta},
journal= {arXiv preprint arXiv:1807.01779},
year = {2018}
}
备注
8 pages,3 figures