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)
Paper ID : 1037-IPRIA2023
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}