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。