基于特定损失函数GAN的高质量CT图像预测

• 作者: 林锦秋 陈胜 何慧 蔡源桃
• 来源期刊: 控制工程
• 关键词: 超低剂量CT 治疗计划系统 图像预测 生成对抗网络
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 人工智能驱动的自动化
• 页码范围: 1012-1019
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.14107/j.cnki.kzgc.20190312

摘要

高放射剂量CT增加了患癌的风险,因此,针对治疗计划系统研究了超低剂量CT,但其含有的噪声造成诊断结果有较高的假阳性.针对上述问题,提出一种基于超低剂量CT预测高剂量CT的方法,并通过比较多种不同低剂量CT图像预测的高剂量CT图像,评估如何在保证图像质量的同时使放射剂量尽可能低.首先,基于改进的生成对抗网络模型提出一种特定损失函数,该损失函数可以有效地优化图像质量.然后,分别用10 mA·s,25 mA·s,100mA·s和150mA·s的低剂量CT图像数据训练不同的模型,最终在超低剂量CT中预测出令人满意的高剂量CT图像.为了验证算法的有效性,对预测结果进行主、客观评价并与存在的算法进行比较.实验结果表明,该模型可以基于10mA·s的超低剂量预测高剂量图像的同时保证图像质量.