基于分辨率的MRI-to-CT翻译用于使用深度学习的正位乳腺癌模型
Dagnachew Tessema Ambaye1,2, Abel Worku Tessema3,4, Jiwoo Jeong3
1Graduate School of Artificial Intelligence, Ulsan National Institute of Science and Technology, Ulsan, Republic of Korea.
Physics in medicine and biology
|November 8, 2024
概括
这项研究表明,生成对抗网络可以从低分辨率的MRI扫描中创建高质量的CT图像. 这种方法可以减少辐射暴露,并加快MRI采集速度,而不损失精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 计算机断层扫描 (CT) 和磁共振成像 (MRI) 对于治疗计划至关重要.
- 高分辨率的MRI采集是耗时的,涉及辐射暴露.
- 从MRI数据中开发合成CT图像的方法可以提高效率和患者安全.
研究的目的:
- 评估使用生成对抗网络 (GAN) 来从低分辨率MR图像中合成高准确度CT图像的可行性.
- 研究空间分辨率对MRI到CT图像转换的影响.
- 为了减少患者的辐射暴露,加快MR图像采集,同时保持治疗的准确性.
主要方法:
- 配对的MRI-CT图像从健康和瘤携带的小鼠模型中获得.
- 核磁共振图像被缩小到三个较低的分辨率.
- 定制的U-Net模型和GAN (嵌套U-Net GAN,注意U-Net GAN) 用于MRI到CT图像的翻译.
- 三维同源注册确保了多模式图像的精确对齐.
主要成果:
- 从低分辨率 (0.28^2 mm^2) 和高分辨率 (0.14^2 mm^2) 的MRI图像中成功合成了高质量的CT图像.
- 从不同MR分辨率生成的CT图像之间没有观察到统计学意义上的差异.
- GAN保留了解剖学细节,克服了其他翻译技术的局限性.
结论:
- 低分辨率的MRI图像可以有效地用于生成高质量的CT图像.
- 这种方法为减少医学成像中的辐射暴露提供了一个可行的策略.
- 开发的GAN能够更快地获得MRI并保持放射治疗计划的准确性.
