基于深度卷积神经网络的CT图像层间插值方法的初步研究

目的：研究一种基于CT图像层间插值的方法,用于放射治疗过程中的患者摆位验证,从而提高放疗精度。方法：采用一种基于3D卷积和膨胀卷积神经网络（3D CNN-DCNN）算法,利用相邻图像层之间的关联信息重建中间层图像。采用U-Net网络架构,通过编码部分的卷积层、膨胀卷积层、池化层和解码部分的上采样层、卷积层、膨胀卷积层,对CT进行端到端的学习。采集20例患者图像数据,采用留一交叉验证的方法训练验证模型,分别对神经网络和线性插值的预测CT与原始薄层CT进行对照比较。结果：3D CNN-DCNN的平均绝对误差（MAE）为34 HU,远小于线性插值的55 HU。除此之外,骨骼的Dice相似系数（DSC）为0.95,大于线性插值方法的0.89。结论：与传统线性插值方法相比,3D CNN-DCNN算法可以更准确的重建薄层CT,明显改善了插值伪影、图像失真和锯齿状现象。     

基于3D深度卷积神经网络依据MRI生成伪CT的研究

目的:研究一种依据MRI生成伪CT的方法，从而减少放疗过程中额外CT的使用，降低患者辐射剂量，提高放疗精准度。方法:提出一种基于3D深度卷积神经网络（DCNN）的预测算法，利用单张图像的解剖特征以及相邻图像层之间的关联信息，从而提高了图像特征提取的准确性。采用U-net网络结构，通过编码部分的卷积层、池化层和解码部分的上采样、卷积层，对MRI和对应的CT进行端到端转换的学习。采集13例患者图像数据，应用留一交叉验证的方法，分别对3D DCNN和2D DCNN的伪CT结果与原始CT进行对照比较。结果:提出的3D DCNN算法的平均绝对误差（MAE）为86 HU，远小于2D DCNN的136 HU。结论:3D DCNN算法能更准确的生成伪CT，明显改善了骨骼、空气与软组织之间的误转化。     

基于MRI的合成CT生成方法综述

放射治疗是治疗肿瘤的重要手段之一,而CT是目前放射治疗的主要基准影像。与CT相比,MRI具有良好的软组织对比度,且对人体完全无害,近年来也越来越会多地被用于软组织的勾画以及引导放射治疗。由于CT扫描的电离辐射影响患者的健康,同时扫描CT和MRI加重患者的经济负担,CT和MRI的配准融合会引入系统误差等弊端,所以仅使用MRI的放射治疗受到研究者的广泛关注。然而,由于MRI与电子密度无联系,不能直接用于剂量计算以及基于X光的患者摆位验证,因此需要研究相关算法,根据MRI图像得到患者组织的电子密度信息或者HU值,即生成合成CT或伪CT。将生成合成CT或伪CT的方法分为3类:基于体素、基于图谱和混合的方法。根据所应用的方法,对序列图像、应用数量以及解剖部位等进行总结和分析。该研究是放射治疗中一个崭新的方向,既可避免使用传统CT带来的电离辐射,又可以应用高分辨率的MRI影像对肿瘤进行监测,使患者得到更精确的放射治疗。     

CT图像层间插值方法的深入分析验证

目的：通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法：采用基于深度卷积神经网络（DCNN）算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络对CT图像进行处理。由于头颈部和胸腹盆部的结构差异,分别采用70例头颈部和75例胸腹盆部患者的图像数据进行训练,建立不同的头颈部和胸腹盆部模型。采用留一交叉验证的方法验证模型,将DCNN与线性插值和生成对抗网络（GAN）的性能进行比较。结果：头颈部患者中,DCNN的平均绝对误差（MAE）为36 HU,优于线性插值和GAN的62 HU和50 HU。除此之外,骨骼的Dice相似系数（DSC）为0.95,超过线性插值和GAN的0.88和0.91;胸腹盆部位患者中,DCNN的MAE为29 HU,优于线性插值和GAN的47 HU和34 HU。除此之外,骨骼的DSC为0.94,同样超过线性插值和GAN的0.87和0.91。结论：与线性插值和GAN相比,DCNN算法在重建薄层CT图像方面具有更高的精度;其显著减少了插值伪影、图像失真和锯齿效应,从而提高了放疗患者摆位验证的精度...