循环生成对抗网络基于颅脑MR图生成伪CT图模型

目的 采用改进循环生成对抗网络（UCycleGAN）基于颅脑MR图映射模型生成伪CT图。方法 对50例鼻咽癌颅脑MR图与CT图进行配准及预处理；以U-net网络并添加L1距离函数替换原始循环GAN （CycleGAN）模型生成器的深度残差网络。随机选取40例图像作为训练数据对UCycleGAN模型进行训练，将剩余10例用于测试；比较生成伪CT图与原始图像质量的差异，并与以ResNet、U-net的CycleGAN以及Pix2Pix生成的图像进行对比。结果 相比其他模型，以UCycleGAN模型生成的伪CT图与原始CT图更为接近，体素平均绝对误差（MAE）为（81.45±3.87） HU，峰值信噪比（PSNR）为（34.13±3.28） dB，结构相似性（SSIM）为0.87±0.03。采用UCycleGAN模型生成的伪CT图的MAE小于、而SSIM明显大于其他3种模型（P均<0.05）；UCycleGAN伪CT图的PSNR大于CycleGAN_ResNet图像（P<0.05）。结论 利用UCycleGAN可基于颅脑MR图生成伪CT图；改良后CycleGAN模型的准确性更高。     

基于双次梯度联合改进Criminisi算法去除超声图像中的人工标记并修复图像的可行性

目的 观察基于双次梯度联合改进Criminisi算法去除超声图像中人工标记并修复图像的可行性。方法 选取30幅二维声像图，图中均包含十字、箭头和/或文字标记，以20幅无标记图像作为参考。算法由标记提取模块及图像恢复模块两个部分组成，前者采用双次梯度最大连通面积方法，后者采用改进重加权Criminisi算法；以峰值信噪比(PSNR)和结构相似性(SSIM)作为指标评价修复图像的质量。结果 基于双次梯度联合改进Criminisi算法可准确检出超声图像中的人工标记并生成掩模，用于去除标记、恢复图像。相比无标记图像，30幅超声图像提取的标记掩模的平均检测精度和平均错误发现率分别为0.96和0.63,修复图像的平均PSNR及SSIM分别为46.78 dB和0.99。结论 基于双次梯度联合改进Criminisi算法可有效去除超声图像中的人工标记并修复图像。