基于小数据集的深度学习跨模态转换模型训练及其在兆电压CT到千电压CT转换中的应用
计算机视觉与模式识别
2022-10-12 v2 医学物理
摘要
近年来，基于深度学习的图像处理因其高性能而成为医学成像的有力工具。然而，基于深度学习的方法的质量严重依赖于训练数据量；获取大数据集的高成本是其在医学领域应用的限制。在此，我们基于深度学习开发了一种仅需少量无监督图像的计算机断层扫描（CT）模态转换方法。所提方法基于CycleGAN并针对CT图像做了若干扩展，旨在保留处理图像中的结构并减少训练数据量。该方法被应用于实现兆电压计算机断层扫描（MVCT）到千电压计算机断层扫描（kVCT）图像的转换。训练使用来自头颈癌患者的多个数据集进行。数据集规模从MVCT的16层（2名患者）到2745层（137名患者），kVCT为2824层（98名患者）。发现所需训练数据量小至几百层。通过统计与视觉评估，研究了所提模型转换的MVCT图像的质量提升与结构保留。作为临床益处，医生观察到转换图像提高了勾画精度。我们开发了基于深度学习的MVCT到kVCT转换模型，其仅需几百张未配对图像即可训练。展示了模型对数据量变化的稳定性。本研究通过部分回答诸如“我们的数据足够吗？”和“我们应获取多少数据？”等常见问题，促进了深度学习在临床医学中的可靠使用。
引用
@article{arxiv.2107.05238,
title = {Training of deep cross-modality conversion models with a small dataset, and their application in megavoltage CT to kilovoltage CT conversion},
author = {Sho Ozaki and Shizuo Kaji and Kanabu Nawa and Toshikazu Imae and Atsushi Aoki and Takahiro Nakamoto and Takeshi Ohta and Yuki Nozawa and Hideomi Yamashita and Akihiro Haga and Keiichi Nakagawa},
journal= {arXiv preprint arXiv:2107.05238},
year = {2022}
}
备注
3+27 pages, 13 figures, version published in Medical Physics