典型文献
基于优化循环生成对抗网络的医学图像合成方法
文献摘要：
放射治疗计划系统需要CT图像准确计算剂量分布,但有时临床只能获得MR图像.图像合成能有效利用现有图像合成新模态图像,从而增强图像信息.针对MR图像生成CT图像问题,综合循环一致生成对抗网络不成对数据可训练合成新模态图像的特点,以及密集连接网络的特征复用和优化信息流传播的优点,提出融合密集连接的循环生成对抗网络模型,改善输入信息的消失和梯度信息稀释,合成更可信的CT图像.在18个病人的数据集上训练和验证模型,优化后的循环生成对抗网络与原方法相比,平均绝对误差降低了3.91％,结构相似性提高了1.1％,峰值信噪比提高了4.4％;与深度卷积神经网络模型和基于图谱方法比较,相对误差分别降低了0.065％和0.55％.本文利用深度学习模型优点,能根据MR图像合成更接近真实的CT图像,更好地满足放射治疗计划系统剂量计算的需求.
文献关键词：
图像合成;循环生成对抗网络;密集连接网络;不成对数据
中图分类号：
作者姓名：
曹国刚;刘顺堃;毛红东;张术;陈颖;戴翠霞
作者机构：
上海应用技术大学计算机科学与信息工程学院,上海 201418;上海应用技术大学理学院,上海 201418
文献出处：
引用格式：
[1]曹国刚;刘顺堃;毛红东;张术;陈颖;戴翠霞-.基于优化循环生成对抗网络的医学图像合成方法)[J].数据采集与处理,2022(01):155-163
A类：
不成对数据
B类：
循环生成对抗网络,医学图像,图像合成,合成方法,放射治疗,治疗计划系统,剂量分布,MR,增强图像,图像信息,图像生成,图像问题,循环一致生成对抗网络,密集连接网络,复用,信息流,梯度信息,验证模型,平均绝对误差,结构相似性,峰值信噪比,深度卷积神经网络,卷积神经网络模型,谱方法,方法比较,深度学习模型,剂量计算
AB值：
0.233701
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
