一个新的损失函数来复制纹理特征,用于基于深度学习的MRI-to-CT合成

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 无线电学 (Radiomics) 是一种辐射学.

背景情况:

• 目前的MRI-to-CT合成方法主要集中在像素精度上.
• 在现有的深度学习模型中,感兴趣区域 (ROI) 内的纹理特征被忽视了.
• 这种差距限制了合成CT图像在多模式放射学研究中的应用.

研究的目的:

• 为基于深度学习的MRI-to-CT合成开发一种新的损失函数.
• 该功能旨在增强像素一致性和ROI纹理特征的复制.
• 这一进步旨在支持利用多模式成像数据的放射学研究.

主要方法:

• 这是一项对127名鼻癌患者进行CT和MRI扫描的回顾性研究.
• 在UNET框架内实施基于灰色级别并发矩阵 (GLCM) 的损失函数.
• 使用一致性相关系数 (CCC) 评估纹理特征可重现性,并与基线MSE损失函数进行比较.
• 在公开的大脑瘤数据集上的验证.

主要成果:

• 提出的方法改善了像素智能的图像质量指标 (例如MAE,SSIM).
• 在GTVnx的GLCM特征可重现性 (CCC) 中显著改善,从0.78到0.82 (p <0.05).
• 超过90%的GLCM特征出现了改善,其中相关性信息测量特征出现了最大的增长 (CCC:0.74到0.83).
• 在独立的大脑瘤数据集上证实了有效性.

结论:

• 新的损失函数有效地重现了MRI-to-CT合成中的纹理特征.
• 这种方法提高了合成CT图像用于放射学分析的实用性.
• 该方法通过提高图像合成准确度来促进多模式成像研究.