相关实验视频
Updated: May 29, 2025
07:33
Quantifying Mixing using Magnetic Resonance Imaging
Published on: January 25, 2012
10.9K
从直角图像与生成对抗网络的患者和分数特定磁共振体积重建
Hideaki Hirashima1, Dejun Zhou2, Nobutaka Mukumoto3
1Department of Radiation Oncology and Image-Applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan.
Medical physics
|February 4, 2025
概括
用患者特定数据微调生成对抗网络 (GAN) 模型显著改善了从二维MRI图像中重建3D磁共振 (MR) 卷的性能. 这种方法提高了在线剂量调整在放射治疗的准确性,即使数据有限.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 辐射疗法 辐射疗法
背景情况:
- 从2D磁共振图像进行3D磁共振 (MR) 体积重建的深度学习 (DL) 方法有希望,但需要广泛的训练数据.
- 转移学习,特别是微调,为开发具有有限数据集的个性化DL模型提供了强大的解决方案.
研究的目的:
- 开发一个2D到3D条件生成对抗网络 (GAN) 模型,用于合成3DMR体积重建.
- 在MR指导放射治疗中实施患者和分量特定的微调工作流程,用于在线剂量调整.
主要方法:
- 训练了一个基于人口的GAN模型,使用34名患者的2047个3DMR卷.
- 精心调整了人口模型,使用来自9名测试患者的分数特定3DMRI体积.
- 使用SSIM,PSNR,RMSE,MAE,DSC和HD指标评估模型性能,包括前列腺,膀和直肠的细分.
主要成果:
- 与人口模型相比,微调模型显示出显著改善的图像质量 (更高的SSIM,PSNR;较低的RMSE,MAE) (p <0.05).
- 通过DSC和HD评估的几何准确性,也显著提高了前列腺,膀和直肠与微调模型 (p <0.05).
结论:
- 对GAN模型的患者和分数特定微调为3DMR体积重建带来了有前途的准确性.
- 这种方法有效地解决了在开发适应性放射治疗的个性化DL模型时的数据限制.
