基于循环生成对抗网络的MR合成CT研究

发布时间：2021-02-28 18:55

　　现代社会癌症多发,且发病人群越来越呈现年轻化的趋势,而放射治疗对治疗很多恶性肿瘤都十分有效,比如头颈癌,而放射治疗方案需要拍摄病人病灶的计算机断层扫描（Computed Tomography,CT）图像,以进行放射剂量的规划,同时也需要拍摄相应空间结构的磁共振（Magnetic Resonance,MR）图像,以分割肿瘤组织与健康的器官。肿瘤病人需要分别拍摄MR和CT图像,会造成较高的社会经济负担,效率低。而且,拍摄CT图像时会使病人暴露在具有放射性的电离辐射中,对病人造成二次伤害。因此,本文先是对循环生成对抗网络（Cycleconsistent Generative Adversarial Networks,CycleGAN）算法做了两点改良,接着提出了基于循环生成对抗网络的MR图像合成CT图像的算法,以期解决这些问题。首先,本文对原始的循环生成对抗网络方法做了两点改良,第一点针对循环生成网络的损失函数,通过添加L1距离函数来提高循环生成对抗网络的合成效果;第二点针对训练数据集,通过数据增强的方式,获得了大量实际中难以获得的医学图像数据,提升了训练数据集的容量。实验结果表明,原始循环... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意义
    1.2 MR合成CT任务概述
        1.2.1 MR图像简介
        1.2.2 CT图像简介
        1.2.3 MR合成CT难点分析
        1.2.4 MR合成CT评价标准简述
        1.2.5 本文的研究内容及结构安排
第2章 国内外研究现状
    2.1 基于多图谱配准的图像合成方法
    2.2 基于强度变换函数的图像合成方法
    2.3 基于深度学习的图像合成方法
    2.4 本章小结
第3章 循环生成对抗网络的改良应用
    3.1 引言
    3.2 循环生成对抗网络概述
        3.2.1 生成对抗网络
        3.2.2 循环生成对抗网络
    3.3 算法的实验应用
        3.3.1 数据的获取与预处理
        3.3.2 L1 距离函数
        3.3.3 数据增强
        3.3.4 实验和结果
    3.4 本章小结
第4章 U型网络循环生成对抗网络的提出与应用
    4.1 生成器网络
    4.2 U型网络循环生成对抗网络
    4.3 算法的实验对比
    4.4 本章小结
第5章 总结与展望
    5.1 研究总结
    5.2 研究展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3056296