循环生成对抗网络基于颅脑MR图生成伪CT图模型

目的采用改进循环生成对抗网络(UCycleGAN)基于颅脑MR图映射模型生成伪CT图。方法对50例鼻咽癌颅脑MR图与CT图进行配准及预处理;以U-net网络并添加L1距离函数替换原始循环GAN(CycleGAN)模型生成器的深度残差网络。随机选取40例图像作为训练数据对UCycleGAN模型进行训练,将剩余10例用于测试;比较生成伪CT图与原始图像质量的差异,并与以ResNet、U-net的CycleGAN以及Pix2Pix生成的图像进行对比。结果相比其他模型,以UCycleGAN模型生成的伪CT图与原始CT图更为接近,体素平均绝对误差(MAE)为(81.45±3.87)HU,峰值信噪比(PSNR)为(34.13±3.28)dB,结构相似性(SSIM)为0.87±0.03。采用UCycleGAN模型生成的伪CT图的MAE小于、而SSIM明显大于其他3种模型(P均<0.05);UCycleGAN伪CT图的PSNR大于CycleGAN_ResNet图像(P<0.05)。结论利用UCycleGAN可基于颅脑MR图生成伪CT图;改良后CycleGAN模型的准确性更高。

基于双次梯度联合改进Criminisi算法去除超声图像中的人工标记并修复图像的可行性

目的观察基于双次梯度联合改进Criminisi算法去除超声图像中人工标记并修复图像的可行性。方法选取30幅二维声像图,图中均包含十字、箭头和/或文字标记,以20幅无标记图像作为参考。算法由标记提取模块及图像恢复模块两个部分组成,前者采用双次梯度最大连通面积方法,后者采用改进重加权Criminisi算法;以峰值信噪比(PSNR)和结构相似性(SSIM)作为指标评价修复图像的质量。结果基于双次梯度联合改进Criminisi算法可准确检出超声图像中的人工标记并生成掩模,用于去除标记、恢复图像。相比无标记图像,30幅超声图像提取的标记掩模的平均检测精度和平均错误发现率分别为0.96和0.63,修复图像的平均PSNR及SSIM分别为46.78 dB和0.99。结论基于双次梯度联合改进Criminisi算法可有效去除超声图像中的人工标记并修复图像。

医疗超声机器人的研究进展

医疗超声机器人作为一种新兴的医疗机器人,可以帮助医生获取高质量超声图像并减少医生的工作压力。协作机器人凭借其较高的精度、灵活性、安全性和可重复性,非常适合与医学影像领域相结合。目前,超声医生的数量与整体水平均不能很好地满足医疗需求,医疗超声机器人的出现将在一定程度上解决医疗资源短缺的问题。机器人超声这一技术正逐渐成为提高医疗水平的重要手段,本文介绍了医疗领域超声机器人的主要应用方向,内容包括超声机器人的优点以及超声机器人在手术、放射治疗、远程诊断中的应用。虽然该领域发展较晚,但是随着机器人技术和通信技术的不断进步,医疗超声机器人将拥有极大的发展潜力与广阔的应用空间。

MR图像预测CT图像研究进展

医学图像可以为医生提供准确和全面的病患信息。由于人体因各种疾病引起的形态或功能异常可以表现在很多方面,MR图像和CT图像能重点呈现出患者不同组织结构的医学图像数据,但单独的MR图像或者CT图像不能全面反应出疾病的复杂性。MR图像预测CT图像属于医学图像跨模态预测的一种,将MR图像预测CT图像的方法分为4类,基于图集的方法、基于图像分割的方法、基于学习的方法和基于深度学习的方法。本文对MR图像预测CT图像的各类方法、存在问题和未来发展方向进行综述,得出结论基于深度学习的方法应是未来跨模态预测的主要方法。

CT截断区域对食管癌患者放疗计划剂量学影响

目的探讨CT图像截断区域对胸中段食管癌容积调强计划(VMAT)中靶区和危及器官的剂量学影响。方法选取15例胸中段食管癌患的CT图像,设置圆形掩膜使得截断区域体积占手臂体积的10%、20%、30%和40%,得到相应的截断CT,真实CT记为CT0。在CT0上制作2组放疗计划,一组为采用全弧的VMAT_1F,一组为采用避开手臂的三弧VMAT_3F,并将计划复制至4种截断CT。使用Wilcoxon符号秩检验比较不同计划的剂量学差异。结果与CT0中VMAT_1F相比,CT0中VMAT_3F降低肺的Dmean和V_(5),但增加了脊髓的D_(max)、心脏的Dmean和肺的V_(20)。VMAT_3F中,4种截断CT中的剂量学参数与CT0中的没有统计学差异(均P>0.05)。VMAT_1F中,除均匀性指数HI和脊髓D_(max)外,4种截断CT中的剂量学参数与CT0中的均有统计学差异(P<0.05),且剂量学差异随着截断区域体积比的增加而增大。结论临床中应采集完整的CT数据,必要时设置避开截断区域的射野,降低其对剂量学的影响。