基于无监督学习利用结构约束无监督生成注意力网络实现胸部MRI-CT转换的方法
计算机视觉与模式识别
2024-10-30 v2
摘要
一体化正电子发射断层扫描/磁共振成像（PET/MRI）扫描仪便于通过PET获取代谢信息，并利用MRI获取高软组织对比度的形态学信息。尽管PET/MRI有助于获取高精度融合图像，其主要缺点可归因于执行衰减校正的困难，而衰减校正对于定量PET评估是必要的。由于伽马射线衰减信息与MRI之间无直接关系，结合的PET/MRI扫描需要从MRI生成衰减校正图。虽然基于MRI的骨组织分割可轻易用于头部和骨盆区域，但通过胸部CT生成实现准确的骨分割仍是一项挑战性任务。这可归因于胸部中发生的呼吸与心脏运动，以及其解剖结构复杂和骨皮质相对较薄。本文提出一种方法，通过将模态无关邻域描述子（MIND）的结构约束添加到能够转换非配对图像的生成对抗网络（GAN）中，在无人工标注情况下最小化解剖结构变化。本研究中获得的结果显示，所提出的U-GAT-IT + MIND方法优于所有其他竞争方法。本研究结果暗示了从无标注胸部MRI合成临床可接受CT图像并最小化解剖结构变化的可能性。
引用
@article{arxiv.2106.08557,
title = {Unsupervised-learning-based method for chest MRI-CT transformation using structure constrained unsupervised generative attention networks},
author = {Hidetoshi Matsuo and Mizuho Nishio and Munenobu Nogami and Feibi Zeng and Takako Kurimoto and Sandeep Kaushik and Florian Wiesinger and Atsushi K Kono and Takamichi Murakami},
journal= {arXiv preprint arXiv:2106.08557},
year = {2024}
}
备注
27 pages, 12 figures