报告详情
MRI to CT synthesis using contrastive learning
编号：51
访问权限：仅限参会人
更新：2021-10-30 17:37:08 浏览：809次
张贴报告
摘要
Compared with CT, MRI enables more accurate delineation of target and organs-at-risk. But unlike CT, MRI images is not related with electron density for radiotherapy planning. The purpose of this paper is to generate pseudo CT for radiotherapy planning from MRI using deep learning method. Twenty-nine brain cancer patients with planning CT and diagnostic MRI were selected, of which 23 were used for training and 6 for testing. We use a new neural network based on contrast learning, called CUT. Meanwhile, we change the residual block to nine dense blocks and add a structural similarity to the loss function of the generator, the latter network is called denseCUT. We compare Hounsfield Unit (HU) discrepancies between pseudo-CT and original CT images. The mean absolute (MAE) errors were 72.0±6.9 HU，72.5±8.0 HU and 65.7±8.0 HU for the cycleGAN, CUT and denseCUT, respectively. Meanwhile, the structure similarity index (SSIM) were 0.91±0.01, 0.91±0.01 and 0.93±0.01, the peak signal-to-noise ratio (PSNR) were 28.5±0.7 dB, 28.5±0.7 dB and 29.4±0.8 dB, respectively. Experimental results show that the proposed denseCUT network is more accurate, robust, and efficient for predicting synthetic CT from MR images for MRI-only radiotherapy.
关键词
MRI, contrastive learning, pseudo CT
报告人
江涛 王
中国科学技术大学稿件作者
全部评论
重要日期
-
会议日期
11月13日
2021
至11月14日
2021
-
09月30日 2021
报告提交截止日期
-
11月14日 2021
注册截止日期
主办单位
IEEE北京分会
中国生物医学工程学会医学物理分会
中国电子学会生命电子学分会
中国生物医学工程学会医学物理分会
中国电子学会生命电子学分会
承办单位
中国科学技术大学
安徽省生物医学工程学会
安徽省生物医学工程学会
联系方式
- Mrs. Yang
- ic******@ustc.edu.cn
- +86********
历届会议
-
2017年11月04日 中国 Beijing,China
2017 International Conference on Medical Imaging Physics and Engineering -
2017年11月03日 中国 海淀区
2017 IEEE 国际医学影像物理和工程大会 -
2013年10月19日 中国 沈阳市
2013 IEEE国际医学影像物理和工程大会暨第七届中国医学影像物理学术年会
发表评论