CN110270015B - 一种基于多序列MRI的sCT生成方法 - Google Patents
一种基于多序列MRI的sCT生成方法 Download PDFInfo
- Publication number
- CN110270015B CN110270015B CN201910382461.2A CN201910382461A CN110270015B CN 110270015 B CN110270015 B CN 110270015B CN 201910382461 A CN201910382461 A CN 201910382461A CN 110270015 B CN110270015 B CN 110270015B
- Authority
- CN
- China
- Prior art keywords
- mri
- sct
- loss function
- generator
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
- A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [MRI]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于多序列MRI的sCT生成方法,包括:S1,基于循环生成对抗网络构建sCT生成模型;S2,获取n组MRI序列以及相应的CT影像;S3,利用n组MRI序列中的任一MRI序列及CT影像调整sCT生成模型的参数,使得sCT生成模型的损失函数满足预设条件;S4,重复操作S3,调整每一MRI序列对应的sCT生成模型参数,并利用调整后的sCT生成模型生成n组MRI序列对应的n组sCT;S5,根据CT影像和n组sCT计算该n组sCT对应的n个权重值,对n个权重值和n组sCT进行乘加计算,得到sCT。通过耦合多组MRI序列特征信息生成符合临床精度和速度要求的sCT,该方法计算速度快、稳定且鲁棒性强。
Description
技术领域
本公开涉及放射治疗的优化方法领域,具体地,涉及一种基于多序列 MRI的sCT生成方法。
背景技术
电子计算机断层扫描(Computed Tomography,CT)是当前获取放疗影响数据的主要方式,但是CT的软组织对比度有限,且存在额外的电离辐射。相比于CT,磁共振成像(Magnetic Resonance Imaging,MRI)具有软组织鉴别能力优越、无电离辐射及无骨伪影等优点,目前放疗常采用MRI与CT配准融合,但是会引入配准误差。基于MRI的放疗不仅可以消除该误差,而且还将减少患者接受的CT剂量,但是由于MRI信号强度与电子密度没有直接关系,无法计算放疗计量,因此,需要从MRI中获得 CT的等效数据,通常把该等效数据称为伪CT(Synthetic CT,sCT)。
国内外研究基于MRI生成sCT的方法主要分为:基于组织分割、基于图谱分割和基于学习的方法(分为基于统计学的方法和基于深度学习的方法)。其中,基于组织分割的方法在分割人体复杂器官时,精度难以保证,且几种组织密度类型远远不足以代替CT值;基于图谱分割的方法在存在较大解剖变化或病理差异的情况下,很难精准地配准患者影像,且其配准时间较长,限制其临床应用;基于统计学的方法不能有效地区分结构细节,难以做出可靠的预测;基于深度学习的方法依赖于患者MRI和CT 精确配准的训练数据,并且其基于单个MRI序列(以T1WI居多),而临床上为了精确诊断通常会采集多组MRI序列(例如T1WI、T2WI、FST1 等),并不能满足临床需求。
发明内容
(一)要解决的技术问题
本公开鉴于上述问题,提供了一种基于多序列MRI的sCT生成方法,通过基于循环生成对抗网络构建sCT生成模型并对模型参数进行调整,并耦合多组MRI序列特征信息生成sCT,以至少解决以上技术问题。
(二)技术方案
本公开提供了一种基于多序列MRI的sCT生成方法,包括:S1,基于循环生成对抗网络构建sCT生成模型;S2,获取n组MRI序列以及相应的CT影像;S3,利用所述n组MRI序列中的任一MRI序列及所述CT 影像调整所述sCT生成模型的参数,使得所述sCT生成模型的损失函数满足预设条件;S4,重复操作S3,调整每一MRI序列对应的sCT生成模型参数,并利用调整后的所述sCT生成模型生成所述n组MRI序列对应的n 组sCT;S5,根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值,对所述n个权重值和n组sCT进行乘加计算,得到所述sCT。
可选地,所述sCT生成模型包括sCT生成器、sMRI生成器、CT判别器和MRI判别器,所述sCT生成模型包括前向循环和后向循环,所述前向循环和后向循环共用所述sCT生成器、sMRI生成器、CT判别器和 MRI判别器。
可选地,所述步骤S3还包括:计算所述sCT生成器的图像损失函数;为所述图像损失函数设定一预设权重。
可选地,所述图像损失函数为LCycle, LCycle=||SynMRI(SynCT(IMRI))-IMRI||1+||SynCT(SynMRI(ICT))-ICT||1,其中,IMRI为所述任一MRI序列,ICT为所述CT影像。
可选地,所述步骤S3还包括:计算所述CT判别器的第一损失函数;调整所述sCT生成器和CT判别器的参数,当所述CT判别器的参数相同时,所述sCT生成器的参数使得所述第一损失函数最小,且当所述sCT 生成器的参数相同时,所述CT判别器的参数使得所述第一损失函数最大。
可选地,所述步骤S3还包括:将所述图像损失函数与预设权重相乘后与所述第一损失函数相加,得到所述sCT生成器的第二损失函数;调整所述sCT生成器和CT判别器的参数,使得所述第二损失函数小于第一预设值。
可选地,所述步骤S3还包括:计算所述MRI判别器的第三损失函数;调整所述sMRI生成器和MRI判别器的参数,当所述MRI判别器的参数相同时,所述sMRI生成器的参数使得所述第三损失函数最小,且当所述 sMRI生成器的参数相同时,所述MRI判别器的参数使得所述第三损失函数最大。
可选地,所述步骤S3还包括:将所述图像损失函数与预设权重相乘后与所述第三损失函数相加,得到所述sMRI生成器的第四损失函数;调整所述sMRI生成器和MRI判别器的参数,使得所述第四损失函数小于第二预设值。
可选地,所述根据所述CT影像和n组sCT计算该n组sCT对应的n 个权重值包括:在所述CT影像中选取坐标点,并获取其在该CT影像中的HU值;获取所述坐标点在所述n组sCT中的HU值;根据所述n组sCT 中的HU值及所述CT影像中的HU值计算所述n个权重值;其中,HU值表示所述坐标点对X射线的吸收程度。
可选地,所述坐标点的数量为k,k≥n,其中,j=1, 2,……k,i=1,2,……n,HUj为所述CT中第j个坐标点的HU值,HUi,j为第i组sCT中第j个坐标点的HU值,ωi为第i组sCT对应的权重值。
(三)有益效果
本公开提供的基于多序列MRI的sCT生成方法,具有以下有益效果:
(1)通过基于循环生成对抗网络构建sCT生成模型,使得其适用于非配对数据,克服了现有技术依赖配对数据所带来的配准误差,从而具有更高的精度,并且更容易获取sCT生成模型的训练数据;
(2)通过采用多组MRI序列,并且合理地把多组MRI序列作为sCT 生成模型的多通道输入,从而利用多组MRI序列信息得到高精度的sCT。
附图说明
图1示意性示出了本公开实施例提供的基于多序列MRI的sCT生成方法的流程图。
图2示意性示出了本公开实施例提供的基于多序列MRI的sCT生成方法的操作流程图。
图3A示意性示出了本公开实施例提供的前向循环网络的示意图。
图3B示意性示出了本公开实施例提供的后向循环网络的示意图。
图4A示意性示出了本公开实施例提供的前向循环网络的训练结果图。
图4B示意性示出了本公开实施例提供的后向循环网络的训练结果图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
本实施例提供了一种基于多序列MRI的sCT生成方法,参阅图1,结合图2、图3A、图3B、图4A和图4B,对图1所示方法进行详细说明,该方法包括以下操作。
S1,基于循环生成对抗网络构建sCT生成模型。
生成对抗网络(Generative Adversarial Networks,GAN)包括生成器和判别器,循环生成对抗网络(CycleGAN)是两个镜像对称的GAN。
本实施例中,基于循环生成对抗网络构建的sCT生成模型包括前向循环和后向循环,前向循环网络如图3A所示,后向循环网络如图3B所示。 sCT生成模型包含四个独立的神经网络,分别为:MRI生成sCT的sCT 生成器SynCT、CT生成sMRI的sMRI生成器SynMRI、CT判别器DisCT和MRI 判别器DisMRI,前向循环和后向循环共用这四个神经网络。前向循环用于将原始MRI序列转换为sCT,再转换为sMRI;为了提高sCT生成模型训练的稳定性,还设置有后向循环,用于将CT影像转换为sMRI,再转换为 sCT。
前向循环中,DisCT用于预测sCT影像和真实CT影像;SynCT则试图根据原始MRI生成与真实CT影像接近的sCT影像,以降低DisCT判断的正确性;SynMRI用于将生成的sCT转换生成sMRI,以尽可能准确地从sCT重建原始MRI;DisMRI用于预测sMRI和真实MRI(即原始MRI)。MRI经过 SynCT得到sCT,然后在经过SynMRI得到sMRI。
后向循环中,DisMRI用于预测sMRI和真实MRI;SynMRI则试图根据原始CT影像生成与真实MRI接近的sMRI,以降低DisMRI判断的正确性;SynCT用于将生成的sMRI转换生成sCT影像,以尽可能准确地从sMRI重建原始CT影像;DisCT用于预测sCT影像和真实CT影像(即原始CT影像)。 CT经过SynMRI得到sMRI,然后在经过SynCT得到sCT。
生成器和判别器的网络结构采用二维卷积神经网络,基于“pix2pix”框架,使用循环生成对抗网络学习从输入到输出影像的映射。SynCT和SynMRI的神经网络结构相同且参数不同,均具有三个卷积层、九个残差块和两个反卷积层,二维卷积神经网络获取大小为512×512像素的输入影像,并预测相同大小的输出影像,采用批量归一化(BatchNormalization,BN) 层加快网络学习速率,激励层采用修正线性单元(Rectified LinearUnit, ReLU),第一个卷积层的输入为网络的输入影像,输出作为第二个卷积层的输入影像,第二个卷积层的输入传入到残差块,每个残差块的输入信息直接加到其输出上,这样只需学习输入和输出的残差部分,降低网络训练的复杂度,残差块内部采用2个卷积层和BN层以及ReLU,两个反卷积层起到类似解码器的作用,将特征图像恢复到高分辨率,最后采用一个卷积层使输出图像与输入图像的大小保持一致。
DisCT的目标是预测真实CT影像标签为1,sCT影像标签为0。DisMRI的目标是预测真实MRI影像标签为1,sMRI影像标签为0,因此,判别器网络DisCT和DisMRI的网络结构与生成器大致相同,区别点在于判别器的最后一层更改为全连接层,其输出为1或0,以判断生成影像的真假。
CycleGAN中的生成器和判别器经过对抗(即操作S3中的参数调整) 达到一个动态平衡,使得生成器的伪造技术越来越厉害,判别器的判别技术也越来越厉害,直至判别器再也分辨不出是真实数据还是生成器生成数据。
S2,获取n组MRI序列以及相应的CT影像。
获取同一患者的MRI影像和CT影像,MRI影像中包含有n组MRI 序列(例如T1WI、T2WI、T1压脂、T2压脂、DWI等序列),其中n≥1。在获取患者MRI影像和CT影像时,应尽量保持患者体位和扫描参数一致,两次扫描间隔时间应尽量短,以减少患者浮肿消瘦带来的影响。
本实施例中,为了提高sCT生成模型的精度,采用不同患者的MRI 影像和CT影像对sCT生成模型进行训练和测试。例如,获取不同患者的 150套MRI影像和CT影像,并且排除有金属植入物的患者CT,所有MRI 序列的视场角包含人体整个断层,其中,110套MRI影像和CT影像作为训练集,用于调整sCT生成模型的参数,其余40套MRI影像和CT影像作为测试集,用于确定每一MRI序列对应的权重值,每套MRI影像和CT 影像来自同一患者。
CT影像的分辨率为1.00×0.943×0.943mm3,重新采样至CT影像与 MRI影像具有相同大小的体素,即1.00×0.87×0.87mm3,每套影像中包含有200×512×512个体素。
此外,与CT不同的是,即使在相同的场强和扫描仪下,MRI的信号强度和影像对比度可能会有较大的差异,为了解决这一问题,需要对相同 MRI序列的所有数据进行直方图匹配,以便在训练和应用深度学习模型 (即sCT生成模型)之前标准化MRI。
S3,利用n组MRI序列中的任一MRI序列及CT影像调整sCT生成模型的参数,使得sCT生成模型的损失函数满足预设条件。
任一MRI序列为上述n组MRI序列中的某一序列,例如为T1 WI序列,利用T1WI序列作为训练数据,通过不断调整sCT生成模型的参数使得sCT生成模型稳定,即使得sCT生成模型的损失函数满足预设条件,损失参数包括CT判别器的第一损失函数、sCT生成器的第二损失函数、MRI 判别器的第三损失函数、MRI生成器的第四损失函数。具体地,包括以下训练:
计算CT判别器的第一损失函数LCT,
LCT=(1-DisCT(ICT))2+DisCT(SynCT(IMRI))2
其中,ICT为CT影像数据,IMRI为任一MRI序列(本实施例中为T1WI 序列)数据。根据LCT的值调整sCT生成器和CT判别器的参数,使得sCT 生成器和CT判别器满足:当CT判别器的参数相同时,sCT生成器的参数使得LCT的值最小,即DisCT尽量从真实CT中区分出sCT;并且当sCT 生成器的参数相同时,CT判别器的参数使得LCT的值最大,即SynCT尽量让DisCT不能从真实CT中区分出sCT。
同理,计算MRI判别器的第三损失函数LMRI,
LMRI=(1-DisMRI(IMRI))2+DisMRI(SynMRI(ICT))2
其中,IMRI为任一MRI序列(本实施例中为T1WI序列)数据,ICT为 CT影像数据。根据LMRI的值调整sMRI生成器和MRI判别器的参数,使得sMRI生成器和MRI判别器满足:当MRI判别器的参数相同时,sMRI 生成器的参数使得LMRI的值最小,即DisMRI尽量从真实MRI中区分出sMRI;并且当sMRI生成器的参数相同时,MRI判别器的参数使得LMRI的值最大,即SynMRI尽量让DisMRI不能从真实MRI中区分出sMRI。
此外,为了加强训练期间双向循环的一致性,为sCT生成器定义一图像损失函数LCycle,用于表示原始影像和伪影像之间的差异:
LCycle=||SynMRI(SynCT(IMRI))-IMRI||1+||SynCT(SynMRI(ICT))-ICT||1
其中,IMRI为T1WI序列数据,ICT为CT影像数据。
LCycle与预设权重α相乘后加上LCT,得到sCT生成器的第二损失函数,根据第二损失函数的值调整sCT生成器和CT判别器的参数,使得第二损失函数小于第一预设值。
LCycle与预设权重α相乘后加上LMRI,得到sMRI生成器的第四损失函数,根据第四损失函数的值调整sMRI生成器和MRI判别器的参数,使得第四损失函数小于第二预设值。
理论上,第二损失函数和第四损失函数均应调整至0,但是考虑到计算速度等问题,仅需小于某一预设值即可。
S4,重复操作S3,调整每一MRI序列对应的sCT生成模型参数,并利用调整后的sCT生成模型生成n组MRI序列对应的n组sCT。
利用上述建立的基于T1WI的sCT生成模型,保持该sCT生成模型架构一致,同理于操作S3,分别对T2WI、T1压脂、T2压脂、DWI等n-1 组序列进行训练,得到各个MRI序列对应的sCT生成模型参数,并利用参数调整后的sCT生成模型生成该n组MRI序列对应的n组sCT。并分析对比各个MRI序列生成sCT的精度和误差分布。
S5,根据CT影像和n组sCT计算该n组sCT对应的n个权重值,对 n个权重值和n组sCT进行乘加计算,得到sCT。
基于测试集执行操作S5,具体地,包括以下子操作:
S51,在CT影像中选取k个坐标点,k≥n,并获取其在CT影像中的 HU值,其中,HU值表示坐标点对X射线的吸收程度。
本实施例中,分别在m(例如m=40)个测试集中选取CT上代表空气、脂肪、软组织和骨骼的四个坐标点,一共选取4×m个坐标点,此时k=4×m,并在测试集的CT影像中获取其HU值。
S52,调整后的sCT生成模型根据测试集中的n组MRI序列生成n组 sCT,获取上述坐标点在根据测试集得到的n组sCT中的HU值。
S53,根据n组sCT中的HU值及CT影像中的HU值计算n个权重值。具体地,假设每组sCT的权重为ωi,其中i=1,2,……n,建立HU 值的多项式:
其中,j=1,2,……k,HUj为CT影像中第j个坐标点的HU值,HUi,j为第i组sCT中第j个坐标点的HU值,ωi为第i组sCT对应的权重值。然后通过线性多项式拟合得到每组sCT对应的权重ωi,实际应用中k的值应远远大于n的值,以获得精确地权重ωi。
S54,根据计算得到的权重ωi,对得到的n组sCT进行加权计算(即乘加计算)得到最终的sCT。
前向循环网络的训练结果如图4A所示,图4A中从左到右依次为原始MRI、基于原始MRI生成的sCT、基于sCT生成的sMRI。后向循环网络的训练结果如图4B所示,图4B中从左到右依次为原始CT、基于原始 CT生成的sMRI、基于sMRI生成的sCT。由图4A和4B可以看出,训练后的sCT生成模型可以实现高精度的影像转换。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种基于多序列MRI的sCT生成方法,包括:
S1,基于循环生成对抗网络构建sCT生成模型;
S2,获取n组MRI序列以及相应的CT影像;
S3,利用所述n组MRI序列中的任一MRI序列及所述CT影像调整所述sCT生成模型的参数,使得所述sCT生成模型的损失函数满足预设条件;
S4,重复操作S3,调整每一MRI序列对应的sCT生成模型参数,并利用调整后的所述sCT生成模型生成所述n组MRI序列对应的n组sCT;
S5,根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值,对所述n个权重值和n组sCT进行乘加计算,得到所述sCT;
其中,所述根据所述CT影像和n组sCT计算该n组sCT对应的n个权重值包括:
在所述CT影像中选取坐标点,并获取其在该CT影像中的HU值;
获取所述坐标点在所述n组sCT中的HU值;
根据所述n组sCT中的HU值及所述CT影像中的HU值计算所述n个权重值;
其中,HU值表示所述坐标点对X射线的吸收程度;
其中,所述坐标点的数量为k,k≥n,
其中,j=1,2,……k,i=1,2,……n,HUj为所述CT影像中第j个坐标点对X射线的吸收程度,HUi,j为第i组sCT中第j个坐标点对X射线的吸收程度,ωi为第i组sCT对应的权重值。
2.根据权利要求1所述的基于多序列MRI的sCT生成方法,其中,所述sCT生成模型包括sCT生成器、sMRI生成器、CT判别器和MRI判别器,所述sCT生成模型包括前向循环和后向循环,所述前向循环和后向循环共用所述sCT生成器、sMRI生成器、CT判别器和MRI判别器。
3.根据权利要求2所述的基于多序列MRI的sCT生成方法,其中,所述步骤S3还包括:
计算所述sCT生成器的图像损失函数;
为所述图像损失函数设定一预设权重。
4.根据权利要求3所述的基于多序列MRI的sCT生成方法,其中,所述图像损失函数为LCycle,
LCycle=||SynMRI(SynCT(IMRI))-IMRI||1+||SynCT(SynMRI(ICT))-ICT||1
其中,IMRI为所述任一MRI序列,ICT为所述CT影像,SynCT(IMRI)表示所述sCT生成器根据IMRI生成的sCT影像,SynMRI(SynCT(IMRI))表示所述sMRI生成器根据SynCT(IMRI)生成的sMRI影像,SynMRI(ICT)表示所述sMRI生成器根据ICT生成的sMRI影像,SynCT(SynMRI(ICT))表示所述sCT生成器根据SynMRI(ICT)生成的sCT影像。
5.根据权利要求3所述的基于多序列MRI的sCT生成方法,其中,所述步骤S3还包括:
计算所述CT判别器的第一损失函数;
调整所述sCT生成器和CT判别器的参数,当所述CT判别器的参数相同时,所述sCT生成器的参数使得所述第一损失函数最小,且当所述sCT生成器的参数相同时,所述CT判别器的参数使得所述第一损失函数最大。
6.根据权利要求5所述的基于多序列MRI的sCT生成方法,其中,所述步骤S3还包括:
将所述图像损失函数与预设权重相乘后与所述第一损失函数相加,得到所述sCT生成器的第二损失函数;
调整所述sCT生成器和CT判别器的参数,使得所述第二损失函数小于第一预设值。
7.根据权利要求3所述的基于多序列MRI的sCT生成方法,其中,所述步骤S3还包括:
计算所述MRI判别器的第三损失函数;
调整所述sMRI生成器和MRI判别器的参数,当所述MRI判别器的参数相同时,所述sMRI生成器的参数使得所述第三损失函数最小,且当所述sMRI生成器的参数相同时,所述MRI判别器的参数使得所述第三损失函数最大。
8.根据权利要求7所述的基于多序列MRI的sCT生成方法,其中,所述步骤S3还包括:
将所述图像损失函数与预设权重相乘后与所述第三损失函数相加,得到所述sMRI生成器的第四损失函数;
调整所述sMRI生成器和MRI判别器的参数,使得所述第四损失函数小于第二预设值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910382461.2A CN110270015B (zh) | 2019-05-08 | 2019-05-08 | 一种基于多序列MRI的sCT生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910382461.2A CN110270015B (zh) | 2019-05-08 | 2019-05-08 | 一种基于多序列MRI的sCT生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110270015A CN110270015A (zh) | 2019-09-24 |
CN110270015B true CN110270015B (zh) | 2021-03-09 |
Family
ID=67959701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910382461.2A Active CN110270015B (zh) | 2019-05-08 | 2019-05-08 | 一种基于多序列MRI的sCT生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110270015B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470139A (zh) * | 2020-04-29 | 2021-10-01 | 浙江大学 | 一种基于mri的ct图像重建方法 |
CN112802046B (zh) * | 2021-01-28 | 2022-06-14 | 华南理工大学 | 基于深度学习从多序列mr中生成伪ct的影像生成系统 |
CN113554728B (zh) * | 2021-06-21 | 2022-04-12 | 复旦大学 | 基于半监督的从多序列3t到7t磁共振图像的生成方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793890A (zh) * | 2014-03-05 | 2014-05-14 | 南方医科大学 | 一种能谱ct图像的恢复处理方法 |
US10149987B2 (en) * | 2014-05-04 | 2018-12-11 | Spectronic Ab | Method and system for generating synthetic electron density information for dose calculations based on MRI |
US10307108B2 (en) * | 2015-10-13 | 2019-06-04 | Elekta, Inc. | Pseudo-CT generation from MR data using a feature regression model |
US10102451B2 (en) * | 2015-10-13 | 2018-10-16 | Elekta, Inc. | Pseudo-CT generation from MR data using tissue parameter estimation |
-
2019
- 2019-05-08 CN CN201910382461.2A patent/CN110270015B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110270015A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111436958B (zh) | 一种用于pet图像衰减校正的ct图像生成方法 | |
CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
Li et al. | DenseX-net: an end-to-end model for lymphoma segmentation in whole-body PET/CT images | |
US20190197662A1 (en) | Registration method and apparatus | |
US20220207791A1 (en) | Method and system for generating attenuation map from spect emission data | |
JP6044046B2 (ja) | 動き追従x線ct画像処理方法および動き追従x線ct画像処理装置 | |
US11475535B2 (en) | PET-CT registration for medical imaging | |
CN109215014B (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
CN112785632B (zh) | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 | |
US11615530B2 (en) | Medical data processing apparatus for reconstructing a medical image using a neural network | |
CN113674330A (zh) | 一种基于生成对抗网络的伪ct影像生成系统 | |
US11969283B2 (en) | Generating synthetic electron density images from magnetic resonance images | |
CN114359310A (zh) | 一种基于深度学习的3d心室核磁共振视频分割优化系统 | |
CN114881848A (zh) | 一种多序列mr转ct的方法 | |
US20210393229A1 (en) | Single or a few views computed tomography imaging with deep neural network | |
Baydoun et al. | Dixon-based thorax synthetic CT generation using generative adversarial network | |
Lei et al. | Generative adversarial network for image synthesis | |
CA2854992C (en) | Process and apparatus for data registration | |
US20230065196A1 (en) | Patient-specific organ dose quantification and inverse optimization for ct | |
JP2024507766A (ja) | 機械学習によるコントラスト強調 | |
CN113052840A (zh) | 一种基于低信噪比pet图像的处理方法 | |
JP2022159648A (ja) | 画像処理装置、画像処理方法および断層画像取得システム | |
Rao et al. | A novel supervised learning method to generate CT images for attenuation correction in delayed pet scans | |
EP3961570A1 (en) | Ai-based virtual fov extension for scatter correction in emission tomography | |
US20240087270A1 (en) | Method and device for generating a complete 3d representation of an object from a partial signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |