迁移模糊聚类在医学PET/MRI快速衰减校正中的应用

为了避免PET/CT对病人造成大剂量的X辐射伤害和更好地对PET/MRI混合成像系统进行信号衰减校正。在组织分割方法的指导下,利用迁移模糊聚类算法将对人体无伤害的磁共振成像(MRI)划分成诸如空气、液体、软组织、骨头等不同组织成分,然后赋予不同组织不同的线性衰减系数,以此来实现配准的PET成像的衰减校正工作。本方法具有三大好处:(1)迁移模糊聚类算法可以利用历史高级知识来辅助当前病人MRI组织分割任务,从而保证了临床有效性和鲁棒性,降低了环境噪声、数据缺失及个体解剖结构差异等因素对算法的不良影响;(2)本算法内嵌的基于迁移学习的简单抽样策略,在保证算法鲁棒性的同时,极大地缩短了聚类划分的整体时间,适用于医学MRI大数据快速聚类分割的场合,因而有效地增强了算法的实用性;(3)本算法涉及的历史MRI知识,都是通过历史MRI源数据高度总结得到,非历史MRI源数据,这有效地保护了病人隐私,符合医学诊断的基本要求。通过在真实数据集上的实验表明了上述优点。

基于mDixon序列下腹部MRI数据的sCT生成方法

为通过磁共振成像(MRI)数据生成合成计算机断层扫描(sCT),根据mDixon序列的下腹部MRI数据,提出迁移模糊聚类(TFCM)与支持向量机相结合的方法。借助病人MRI源数据提供的高级历史知识,利用TFCM对下腹部MRI数据进行处理,采用有监督学习方法对聚类结果投票,完成图像组织分割,并对分割的组织区域赋予相应的CT值来生成sCT。实验结果证明,该方法可以将下腹部MRI数据分割成脂肪、空气、骨头和软组织4类,并准确生成sCT,其预测值绝对误差最小仅为81 HU,相较于FCM方法,分类结果更优。