基于深度卷积神经网络的CT图像层间插值方法的初步研究

摘要：

目的:研究一种基于CT图像层间插值的方法,用于放射治疗过程中的患者摆位验证,从而提高放疗精度.方法:采用一种基于3D卷积和膨胀卷积神经网络(3D CNN-DCNN)算法,利用相邻图像层之间的关联信息重建中间层图像.采用U-Net网络架构,通过编码部分的卷积层、膨胀卷积层、池化层和解码部分的上采样层、卷积层、膨胀卷积层,对CT进行端到端的学习.采集20例患者图像数据,采用留一交叉验证的方法训练验证模型,分别对神经网络和线性插值的预测CT与原始薄层CT进行对照比较.结果:3D CNN-DCNN的平均绝对误差(MAE)为34 HU,远小于线性插值的55 HU.除此之外,骨骼的Dice相似系数(DSC)为0.95,大于线性插值方法的0.89.结论:与传统线性插值方法相比,3D CNN-DCNN算法可以更准确的重建薄层CT,明显改善了插值伪影、图像失真和锯齿状现象.

关键词：摆位验证、膨胀卷积神经网络、U-Net、留一交叉验证、平均绝对误差、Dice相似系数

所属期刊栏目：28

分类号：R815.2(放射医学)

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：669-675