ارائه‌ی یک مدل برای تبدیل MRI ساختاری به CT در ناحیه مغز با یادگیری ادراکی در شبکه‌های مولد متخاصم
Oral Presentation , Page 29-34 (6) XML Full Text (1.22 MB)
Authors
1Department of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran
2Department of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran (031-37934032)
Abstract
طراحی درمان مبتنی بر تصویر {MRI}، روشی است که بدون نیاز به تصویر {CT} برنامه پرتودرمانی مشخص می‌شود. این روش سبب کاهش دوز دریافتی و هزینه و تسریع درمان می‌شود. از مهم‌ترین مراحل طراحی این روش، ایجاد تصویر {CT} از تصویر {MRI} است. در این پژوهش الگوریتمی بر اساس شبکه‌های مولد متخاصم، برای تبدیل {MRI} به {CT} معرفی می‌شود. برای آموزش از ۲۴ جفت تصویر سه‌بعدی استفاده شده‌است. تصاویر {MRI} از نماهای {T1} ،{T2} و {PD} هستند. شبکه بر مبنای lr{Pix2Pix} پیاده‌سازی شده است؛ ولی معماری شبکه مولد به {ResNet} تغییر داده شده‌است. برای یادگیری بهتر تابع اتلاف ادراکی به تابع اتلاف اصلی اضافه شده‌است. مدل پیشنهادی {MAE} $18.09$، {PSNR} $22.80$ و {SSIM} $0.8297$ دارد.
Keywords
 
Proceeding Title [Persian]
ارائه‌ی یک مدل برای تبدیل MRI ساختاری به CT در ناحیه مغز با یادگیری ادراکی در شبکه‌های مولد متخاصم
Authors [Persian]
مریم نصر، محمدرضا یزدچی
Abstract [Persian]
طراحی درمان مبتنی بر تصویر {MRI}، روشی است که بدون نیاز به تصویر {CT} برنامه پرتودرمانی مشخص می‌شود. این روش سبب کاهش دوز دریافتی و هزینه و تسریع درمان می‌شود. از مهم‌ترین مراحل طراحی این روش، ایجاد تصویر {CT} از تصویر {MRI} است. در این پژوهش الگوریتمی بر اساس شبکه‌های مولد متخاصم، برای تبدیل {MRI} به {CT} معرفی می‌شود. برای آموزش از ۲۴ جفت تصویر سه‌بعدی استفاده شده‌است. تصاویر {MRI} از نماهای {T1} ،{T2} و {PD} هستند. شبکه بر مبنای lr{Pix2Pix} پیاده‌سازی شده است؛ ولی معماری شبکه مولد به {ResNet} تغییر داده شده‌است. برای یادگیری بهتر تابع اتلاف ادراکی به تابع اتلاف اصلی اضافه شده‌است. مدل پیشنهادی {MAE} $18.09$، {PSNR} $22.80$ و {SSIM} $0.8297$ دارد.
Keywords [Persian]
تبدیل {MRI} به {CT}، {CT} ساختگی، تابع اتلاف ادراکی، {Pix2Pix}