使用马尔可夫随机场混合模型的全脑替代CT生成
应用统计
2016-09-29 v2 统计计算
机器学习
摘要
计算机断层扫描（CT）等效信息是 PET 成像中的衰减校正以及放射治疗中的剂量规划所需要的。先前工作表明，高斯混合模型可用于从一组特定的 MRI 模态生成替代 CT（s-CT）图像。本工作引入了一类更灵活的用于 s-CT 生成的混合模型，其通过在与混合模型相关的类别隶属度隐场上的马尔可夫随机场先验，将数据的空间依赖性纳入其中。此外，混合分布从高斯扩展为正态逆高斯（NIG），允许更重的尾部和偏度。训练 s-CT 生成模型所需的数据量约为一亿个体素。因此参数估计与预测方法的计算效率至关重要，尤其在模型中包含空间依赖性时。为应对此挑战，提出了一种随机期望最大化（EM）梯度算法。基于 14 名患者的数据，通过交叉验证研究评估了空间模型与 NIG 分布的优势。该研究表明，所提模型通过将平均绝对误差降低 17.9% 提升了 s-CT 图像的预测质量。同样，使用连续秩概率分数评估，所提模型能更好地解释以 MR 图像为条件的 CT 值分布。
引用
@article{arxiv.1607.02188,
title = {Whole-brain substitute CT generation using Markov random field mixture models},
author = {Anders Hildeman and David Bolin and Jonas Wallin and Adam Johansson and Tufve Nyholm and Thomas Asklund and Jun Yu},
journal= {arXiv preprint arXiv:1607.02188},
year = {2016}
}