使用Pix2pix生成对抗网络增强马刀圆束计算机断层图像质量:一种深度学习方法

科学领域:

• 医疗成像医学成像
• 放射性外科手术是如何进行的
• 人工智能的人工智能

背景情况:

• 圆束计算断层扫描 (CBCT) 广泛用于图像导向放射治疗.
• 与传统CT扫描相比,CBCT图像往往具有较低的图像质量和文物.
• 提高CBCT图像质量对于准确的治疗规划和治疗至关重要.

研究的目的:

• 开发一个改进的Pix2Pix卷积神经网络 (CNN) 以提高CBCT图像质量.
• 为了减少CBCT图像中的Hounsfield单位 (HU) 变化.
• 为了生成类似于基底真相CT扫描的合成CT (sCT) 图像.

主要方法:

• 基于Pix2Pix架构的深度学习模型使用40名患者的配对CBCT和CT图像进行训练.
• 该模型在其他10名患者的数据上进行了测试,处理了512 × 512像素的7484个切片.
• 图像质量通过SSIM,MAE,RMSE和PSNR等指标进行了定量评估.

主要成果:

• 与原始CBCT图像相比,增强的sCT图像显示出图像质量的显著改善.
• 结构相似度指数 (SSIM) 从0.85±0.05增加到0.95±0.03.
• 平均绝对误差 (MAE) 从77.37 ± 20.05下降到18.81 ± 7.22 (p < 0.0001). 这是一个很大的变化.
• 峰值信号与噪声比率 (PSNR) 和根平均平方误差 (RMSE) 也显示出显著的改善.

结论:

• 开发的深度学习框架有效地提高了CBCT图像质量.
• 生成的sCT图像显示噪声和工件的减少,与HU值中的CT非常接近.
• 这种方法具有显著的潜力,可以提高放射外科手术中CBCT图像保真度.