Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction

要約

放射線治療の分野では、正確な治療計画を立てるために、正確なイメージングと画像登録が最も重要です。
磁気共鳴画像法 (MRI) は、侵襲的でなく詳細なイメージングを提供し、軟組織のコントラストに優れているため、放射線治療計画に推奨されるモダリティです。
ただし、MRI のコストが高く、取得時間が長く、患者の健康上の考慮事項が課題となっています。
逆に、コンピュータ断層撮影 (CT) スキャンは、より迅速で安価なイメージング ソリューションを提供します。
これらのモダリティを橋渡しし、マルチモーダル位置合わせの課題に対処するために、合成 MRI 画像を使用して強化されたモノモーダル位置合わせのアプローチを導入します。
この論文では、不対データを利用して、CycleGAN と特徴抽出器を利用して CT スキャンからこれらの合成 MRI 画像を生成する新しい方法を提案します。
Cycle-Consistent Adversarial Networks に関する基礎的な研究に基づいて構築し、関連文献からの進歩を組み込むことにより、私たちの方法論はいくつかの最先端の方法を上回る有望な結果を示しています。
私たちのアプローチの有効性は、複数の比較指標によって検証されます。

要約(オリジナル)

In the field of radiotherapy, accurate imaging and image registration are of utmost importance for precise treatment planning. Magnetic Resonance Imaging (MRI) offers detailed imaging without being invasive and excels in soft-tissue contrast, making it a preferred modality for radiotherapy planning. However, the high cost of MRI, longer acquisition time, and certain health considerations for patients pose challenges. Conversely, Computed Tomography (CT) scans offer a quicker and less expensive imaging solution. To bridge these modalities and address multimodal alignment challenges, we introduce an approach for enhanced monomodal registration using synthetic MRI images. Utilizing unpaired data, this paper proposes a novel method to produce these synthetic MRI images from CT scans, leveraging CycleGANs and feature extractors. By building upon the foundational work on Cycle-Consistent Adversarial Networks and incorporating advancements from related literature, our methodology shows promising results, outperforming several state-of-the-art methods. The efficacy of our approach is validated by multiple comparison metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google