基于深度学习的CT/MRI多模影像合成与转化

发布时间：2021-05-18 18:22

　　放射治疗中,常规的计算放疗剂量的方法是在放疗前利用计算机断层成像技术（Computed Tomography,CT）对患者采集一套计划CT图像。计划CT图像具有电子密度信息,据此可以计算患者的放疗剂量。随着放疗技术的不断发展,磁共振影像引导放疗技术（Magnetic Resonance Image-Guided Radiotherapy,MRIgRT）逐渐受到欢迎。但磁共振图像不具有电子密度信息,不能直接使用磁共振图像进行放射剂量的计算。为了解决这个问题,本文利用深度学习,基于U-Net网络,结合残差思想,搭建端对端的神经网络模型RUN,通过输入大量训练数据学习从MRI图像到CT图像的映射,从而利用MRI图像合成对应的CT图像。再根据合成CT计算放疗剂量。实验表明,该网络能够有效的将MRI图像转换成接近真实的CT图像,同时相比于其他网络,该网络的收敛速度更快,网络训练所需时间更短。基于磁共振影像引导的放疗系统中,采用磁共振成像代替传统的锥形束CT（Cone Beam Computed Tomography,CBCT）成像。为减小患者摆位误差,常使用MRI图像与计划CT进行配准,但跨模态... 

【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】：56 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 引言
    1.1 课题背景及研究意义
        1.1.1 癌症的现状
        1.1.2 放疗发展历史
        1.1.3 磁共振影像引导放疗
        1.1.4 CT成像原理
        1.1.5 MRI成像原理
    1.2 医学影像多模态转换的应用及国内外研究现状
        1.2.1 从MRI到CT的图像生成
        1.2.2 从CT到MRI的图像生成
    1.3 多模态转换图像评价指标
    1.4 研究内容
    1.5 论文结构
第2章 基于深度学习的CT图像生成
    2.1 方法概述
    2.2 RUN网络结构
    2.3 实验整体设计
        2.3.1 实验数据
        2.3.2 训练方法及模型参数
        2.3.3 实验结果及分析
    2.4 本章小结
第3章 基于深度学习的MRI图像生成
    3.1 方法概述
    3.2 深度神经网络
    3.3 实验整体设计
        3.3.1 实验数据
        3.3.2 训练方法及模型参数
        3.3.3 实验结果及分析
    3.4 本章小结
第4章 总结与展望
    4.1 本文总结
    4.2 未来研究方向
参考文献
作者简历及攻读学位期间发表的学术论文与研究成果
致谢


【参考文献】：
期刊论文
[1]保持活力四射 少了水不行[J]. 张妍.  健康向导. 2019(03)
[2]2018全球癌症统计报告解读[J]. 王宁,刘硕,杨雷,张希,袁延楠,李慧超,季加孚.  肿瘤综合治疗电子杂志. 2019(01)
[3]PET/MR衰减校正技术的研究进展[J]. 高艳,赵晋华.  中国医疗设备. 2015(07)
[4]图像引导放疗的实现方式[J]. 戴建荣,胡逸民.  中华放射肿瘤学杂志. 2006(02)
[5]核磁共振成像[J]. 刘东华,李显耀,孙朝晖.  大学物理. 1997(10)



本文编号：3194271