检索历史 清除

摘要医学影像在临床诊治过程中起着越来越重要的作用，各种不同模态的医学影像扫描可以辅助医生更全面地诊断疾病、实施治疗和评估预后。临床上一部分患者可能需要多种影像学检查，但多种影像学扫描会给患者和现有有限的医疗资源带来负担，而病人也可能因为自身健康原因等不适宜某些疾病诊断所必要的影像学扫描技术。由于同一患者不同模态的医学影像之间具备相关性，因此医学影像模态转换算法可以成为上述问题可能的解决方案。当已获取了患者特定模态的医学影像后，可以通过医学影像模态转换算法将该模态图像合成为临床诊疗所需要的另一种模态的医学影像，从而避免实际进行另一种模态的医疗成像扫描。<br>　　由于不同模态医学图像的成像原理不同，如何对不同模态的医学影像相互转换并合成临床可用的医学影像是一个很大的挑战。磁共振成像(MagneticResonanceImaging，MRI)和计算机断层成像(ComputedTomography,CT)是最常见的两种临床影像学检查技术。因此在本论文中，我们研究了基于深度学习方法的MRI与CT图像的相互转换及其在临床上的应用。<br>　　本论文首先通过实验对比了基于有监督和无监督的深度学习方法对MRI和CT两种图像模态相互转换的精度及合成图像的质量。实验表明，在采用同样的数据集和训练条件下，基于有监督深度学习合成的图像，其像素灰度值曲线趋势更接近真实医学图像;基于无监督学习的方法会合成丰富的但可能是错误的图像对比度信息;有监督学习模型合成图像的定量测量结果优于无监督学习模型。<br>　　针对基于MRI引导放疗的临床应用，本论文提出了一种基于残差学习的深度卷积神经网络方法，将MRI图像转换为CT图像，使MRI图像获取可用于放疗剂量计算的电子密度信息值。该模型引入了多个深度残差学习单元，使训练过程更易于收敛，能更充分利用图像的特征信息。基于该模型生成的CT图像可用于制定放疗计划。<br>　　基于模态转换合成的医学图像进行临床诊断可以减少临床上对实际扫描多种影像技术的依赖。本文探讨了基于MRI图像合成的CT图像在脊柱疾临床诊断中的应用，通过一种U型深度学习网络方法将MRI脊柱图像合成为相应CT图像，并从算法和临床两个角度评价合成图像质量。临床放射医生分别根据真实CT和合成CT图像进行诊断，结果表明基于本实验提出的网络合成的CT图像有潜力诊断特定的脊柱疾病。本实验为基于医学影像模态转换的临床诊断提供了一个可参考的技术路线。