论文部分内容阅读
现代社会癌症多发,且发病人群越来越呈现年轻化的趋势,而放射治疗对治疗很多恶性肿瘤都十分有效,比如头颈癌,而放射治疗方案需要拍摄病人病灶的计算机断层扫描(Computed Tomography,CT)图像,以进行放射剂量的规划,同时也需要拍摄相应空间结构的磁共振(Magnetic Resonance,MR)图像,以分割肿瘤组织与健康的器官。肿瘤病人需要分别拍摄MR和CT图像,会造成较高的社会经济负担,效率低。而且,拍摄CT图像时会使病人暴露在具有放射性的电离辐射中,对病人造成二次伤害。因此,本文先是对循环生成对抗网络(Cycleconsistent Generative Adversarial Networks,CycleGAN)算法做了两点改良,接着提出了基于循环生成对抗网络的MR图像合成CT图像的算法,以期解决这些问题。首先,本文对原始的循环生成对抗网络方法做了两点改良,第一点针对循环生成网络的损失函数,通过添加L1距离函数来提高循环生成对抗网络的合成效果;第二点针对训练数据集,通过数据增强的方式,获得了大量实际中难以获得的医学图像数据,提升了训练数据集的容量。实验结果表明,原始循环生成对抗网络算法合成的CT图像的平均绝对误差值为105.1±4.4 HU,峰值信噪比为44.5±0.8 dB;改良后的循环生成对抗网络算法合成的CT图像的平均绝对误差为94.0±3.5 HU,峰值信噪比为45.1±0.8 dB。与原始循环生成对抗网络方法相比,本文做的改良使得合成CT图像的平均绝对误差降低了11.1HU,峰值信噪比提高了0.6dB,配对t-检验证实差异具统计显著性。接着,本文提出了U型网络循环生成对抗网络方法,使用改进的U型网络取代残差网络作为改良后的循环生成对抗网络的生成器。实验结果表明,本文提出的U型网络循环生成对抗网络方法合成的CT图像的平均绝对误差为76.7±3.0HU,峰值信噪比为46.1±0.9 dB。与改良后的循环生成对抗网络方法相比,U型网络循环生成对抗网络方法使得合成CT图像的平均绝对误差降低了17.3HU,峰值信噪比提高了1.0dB,配对t-检验差异统计显著。综上所述,本文提出的U型网络循环生成对抗网络方法在合成图像的精确性和鲁棒性上都具有优势。