MedFusionGAN:使用无监督的深度生成对抗网络进行多模式医疗图像融合
Mojtaba Safari1,2, Ali Fatemi3,4, Louis Archambault5,6
1Département de Physique, de génie Physique et d'Optique, et Centre de Recherche sur le Cancer, Université Laval, Québec City, QC, Canada. mojtaba.safari.1@ulaval.ca.
BMC medical imaging
|December 7, 2023
概括
MedFusionGAN融合了CT和MRI图像,可以更好地规划放射治疗. 这种无监督的深度学习方法通过将CT的骨结构与MRI的软组织对比度相结合,提高了目标划分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 准确的目标划分对于有效的放射治疗至关重要.
- 结合CT和MRI数据提供了补充的解剖信息.
- 当前的核聚变方法可能缺乏效率或引入人工物.
研究的目的:
- 开发一个无监督的深度学习模型,用于合并CT和MRI图像.
- 为了生成融合图像,将CT骨结构和MRI软组织对比度结合起来.
- 改进目标划界,减少放射治疗规划时间.
主要方法:
- 提出 MedFusionGAN,一个端到端无监督的生成对抗网络.
- 利用多中心数据集 (GLIS-RT,230名患者) 来研究不同类型的瘤.
- 在生成器培训中使用内容,风格和L1损失来保存图像细节.
主要成果:
- MedFusionGAN成功生成了与CT骨头和MRI软组织对比度的融合图像.
- 在九个定量指标中的六个方面表现优于传统和深度学习方法.
- 定性评估显示,与其他方法相比,空间分辨率优越,文物最小.
- 证明了瘤强度概况和细分性能的改善.
结论:
- 无监督的MedFusionGAN有效地融合了CT和MRI图像.
- 生成的融合图像提高了目标和有风险的器官 (OAR) 的划分.
- 这一进步对于优化放射治疗治疗计划具有重要意义.
