排序方式: 共有1条查询结果,搜索用时 31 毫秒
1
1.
目的基于U-Net网络深度学习的方法, 实现在放疗临床中低能锥形束CT(CBCT)图像转换成高能CBCT图像, 以期提供双能CBCT成像图像基础且降低辐射剂量。方法利用放疗机载CBCT设备采集CIRS电子密度模体和CIRS头部体模在80和140 kV能量下的CBCT图像数据, 数据集按10∶1分为训练集和测试集。利用U-Net网络从低能量(80 kV)CBCT图像预测高能量(140 kV)下CBCT图像。采用平均绝对误差(MAE)、结构相似度指数(SSIM)、信噪比(SNR)和峰值信号噪声比(PSNR)4种度量指标, 定量评价预测高能CBCT图像。结果预测高能图像与真实高能图像之间总体结构差异较小(SSIM:0.993 ±0.003)。预测高能图像噪声较低(SNR:15.33±4.06), 但组织间分辨力有损失。预测高能图像比真实高能图像平均CT值偏低, 在低密度组织中差异较小(<10 HU, P > 0.05), 而在高密度组织中差异大(< 21 HU, t = -7.92, P < 0.05)。结论利用深度学习方法可以从低能CBCT图像获得结构相似度高的高能... 相似文献
1