Attention-Guided Generative Adversarial Network to Address Atypical Anatomy in Synthetic CT Generation.
Attention-Guided Generative Adversarial Network to Address Atypical Anatomy in Synthetic CT Generation.
复制标题
DOI：
10.1109/iri49571.2020.00034
复制
发表时间：
2020-08
期刊：
影响因子：
--
通讯作者：
Glide-Hurst CK
中科院分区：
文献类型：
--
作者：
Emami H;Dong M;Glide-Hurst CK
最近，在放射治疗中，对使用合成CT(SynCT)的仅MR治疗计划的兴趣迅速增长。然而，为包含非典型解剖的医学图像开发类解决方案仍然是一个主要限制。本文提出了一种新的空间注意力引导的生成性对抗网络模型，该模型使用T1加权MRI图像作为输入来生成准确的合成层析以处理非典型解剖结构。在15例脑癌患者上的实验结果表明，注意-GAN优于现有的SynCT模型，在整个头部、骨骼和空气区域，SynCT和CT-SIM的平均MAE分别为85.223±12.08、232.41±60.86和246.38±42.67Hounsfield单位。定性分析表明，注意-GAN具有利用空间聚焦区域更好地处理孤立点、复杂解剖区域或手术后区域的能力，从而为支持近实时的仅限MR的治疗规划提供了强大的潜力。
Recently, interest in MR-only treatment planning using synthetic CTs (synCTs) has grown rapidly in radiation therapy. However, developing class solutions for medical images that contain atypical anatomy remains a major limitation. In this paper, we propose a novel spatial attention-guided generative adversarial network (attention-GAN) model to generate accurate synCTs using T1-weighted MRI images as the input to address atypical anatomy. Experimental results on fifteen brain cancer patients show that attention-GAN outperformed existing synCT models and achieved an average MAE of 85.223±12.08, 232.41±60.86, 246.38±42.67 Hounsfield units between synCT and CT-SIM across the entire head, bone and air regions, respectively. Qualitative analysis shows that attention-GAN has the ability to use spatially focused areas to better handle outliers, areas with complex anatomy or post-surgical regions, and thus offer strong potential for supporting near real-time MR-only treatment planning.
登录
查看更多内容
影响因子：
3.8
作者：
Johansson, Adam;Karlsson, Mikael;Nyholm, Tufve
通讯作者：
Nyholm, Tufve
影响因子：
3.8
作者：
Han, Xiao
通讯作者：
Han, Xiao
影响因子：
2
作者：
Rensink, RA
通讯作者：
Rensink, RA
影响因子：
4.3
作者：
Aliabadi, Majid Moradi;Emami, Hajar;Huang, Yinlun
通讯作者：
Huang, Yinlun
DOI：
10.1007/978-3-319-66179-7_48
发表时间：
2017-09
期刊：
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
影响因子：
--
作者：
Nie D;Trullo R;Lian J;Petitjean C;Ruan S;Wang Q;Shen D
通讯作者：
Shen D