Génération de tomodensitométries à partir d'images de résonance magnétique

Génération d'une image CT à partir d'une image IRM donnée.

Entraînez un modèle qui génère des images CT à partir d'examens IRM. Des images CT synthétiques peuvent être utilisées pour le calcul de la dose de rayonnement en radiothérapie.

Dans ce projet, nous étudions des approches pour générer des images synthétiques de tomodensitométrie (TDM) à partir de données réelles d'imagerie par résonance magnétique (IRM). La génération de scans radiologiques a gagné en popularité ces dernières années en raison de sa promesse de permettre la planification d'une radiothérapie à modalité unique en oncologie clinique, où le co-enregistrement des modalités radiologiques est fastidieux. Nous nous appuyons sur des modèles de réseau antagoniste génératif (GAN) avec une cohérence de cycle, qui permettent une traduction image à image non appariée entre les modalités. Nous introduisons également le terme de fonction de perte perceptuelle et la couche de convolution coordonnée pour améliorer encore la qualité des images traduites. Le masquage Unsharp et le GAN super-résolution (SRGAN) ont été considérés pour améliorer la qualité des images synthétiques. Les architectures proposées ont été formées sur des données IRM-CT non appariées, puis évaluées sur un ensemble de données cérébrales appariées. Les tomodensitogrammes résultants ont été générés avec une erreur absolue moyenne (MAE), un rapport signal sur bruit maximal (PSNR) et des scores de similarité structurelle (SSIM) de 60,83 HU, 17,21 dB et 0,8, respectivement . DualGAN, avec un terme de fonction de perte perceptuelle et une couche convolutionnelle coordonnée, s'est avéré le plus performant. L'approche de traduction IRM-CT a le potentiel d'éliminer la nécessité pour les patients de subir les deux examens et d'être cliniquement acceptée comme un nouvel outil de planification de la radiothérapie.