CG-DRR:数字重建放射影像循环一致性生成对抗算法
目的 当前数字重建放射影像(digitally reconstructed radiograph,DRR)生成算法难以同时保证影像生成效率和质量.为此,提出一种基于循环一致性生成对抗网络(generative adversarial network,GAN)的新型DRR生成算法(cycle-GAN-DRR,CG-DRR),在保证生成效率的同时,兼顾生成影像与真实X射线影像的灰度和结构一致性.方法 CG-DRR算法包含数据预处理、网络训练和网络应用3个阶段.数据预处理阶段准备后续网络训练需要的图像数据;网络训练阶段使用预处理后的数据训练循环一致性生成对抗网络;在应用阶段,训练后网络输入光线跟踪法生成的DRR图像实现DRR图像灰度校正.结果 使用4个常用图像相似性指标和2个梯度相似性指标分别评估原始DRR图像与灰度校正后的DRR图像的灰度和几何结构一致性.与传统光线跟踪法相比,盆腔和胸腔数据平均峰值信噪比分别提高18.22 dB和8.82 dB,平均绝对误差分别减少0.18和0.07,归一化均方根误差分别减少0.23和0.10,结构相似度指数分别提高23.5％和13.5％,与当前最新RealDRR算法结果指标相差无几.与RealDRR算法结果相比,CG-DRR算法在DRR图像灰度校正前后人体组织结构保持更好的一致性,盆腔和胸腔数据图像特征相似性指数分别提高0.02和0.03,梯度相似性偏差分别减少0.18和0.03.CG-DRR算法生成一幅DRR图像平均耗时0.31 s.结论 本文创新性地将循环一致性生成对抗机制应用于DRR生成,所提算法可以很好地应对实际临床中DRR图像与X光影像存在结构偏差的问题,可在保证生成效率的前提下兼顾灰度相似性及结构一致性,相比于现有算法更具优势.
数字重建放射影像(DRR)、灰度校正、深度学习、循环一致性对抗网络、梯度惩罚
28
TP391.4(计算技术、计算机技术)
国家重点研发计划;北京市自然科学基金;北京市自然科学基金
2023-04-23（万方平台首次上网日期，不代表论文的发表时间）
共11页
1212-1222
