利用噪声等价图像和深度学习方法对低剂量CT降噪

目的:研究在常规剂量扫描情况下模拟低剂量CT图像的方法,以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像,并建立深度学习模型,用于低剂量CT图像的降噪。方法:使用Philip Brilliance CT Big Bore模拟定位机,其不同算法重建的CT图像具有不同的噪声水平,其中iDose4算法噪声较大,...     

锥形束CT生成伪CT的深度学习方法

目的针对前列腺癌放疗, 研究锥形束CT(CBCT)生成伪CT的深度学习方法, 以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像, 并使用MIM软件进行形变配准。将数据按简单随机法分为训练集(59例)和测试集(15例)。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像, 评价平均绝对误差(MAE)、结构相似指数(SSIM)和峰值信噪比(PSNR)。另外单独分析了图像质量, 包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为(29.4±16.1)、(37.1±14.4)、(34.3±17.3)HU。在图像质量方面, U-net和Pix2PixGAN生成的图像存在过度模糊的问题, 导致了图像失真;而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论 CycleGAN能有效地提高CBCT图像质量, 有更大的潜力应用于自适应放疗中。     

利用Informer深度学习网络预测呼吸运动

目的 研究时间序列深度学习方法预测呼吸运动。方法 纳入肺癌患者的呼吸运动数据80例,将每一例呼吸运动数据按8∶2的比例划分为训练集和测试集,深度学习采用Informer网络,预测约600 ms延迟的呼吸运动,采用归一化均方根误差(nRMSE)和相对均方根误差(rRMSE)评估模型性能。结果 Informer的整体效果优于常规的多层感知器(MLP)和长短期记忆(LSTM)模型。在423 ms的预测时间下,Informer模型的平均nRMSE和rRMSE分别为0.270和0.365;在615 ms的预测时间下,平均nRMSE和rRMSE分别为0.380和0.379。结论 采用的Informer模型在预测时间较长时有较好的效果,对提高实时跟踪技术的效果具有潜在应用价值。