Deep learning–based MR‐to‐CT synthesis: The influence of varying gradient echo–based MR images as...

2020年运用分割网络做的图像生成，网络：3D-UNet   已配准的数据进行实验

该实验对输入数据进行配置，从中发现不同配置下的输入数据对实验产生的影响，从而探究影响生成结果的参数。

数据：采集人和犬骨盆区域的MR和CT扫描，使用非刚性配准进行配对。数据是配准以后且配对的。数据十分难获取。数据：17个犬类+23个人类实验数据。人类数据：27个病人前列腺癌

评估标准：峰值SNR，平均绝对误差和平均误差来重建HU单元地图。骰子相似系数和表面距离图评估集合保真度。

实验配置：Keras 2.1.3  TensorFlow 1.7   GeForce GTX 1080 Ti (NVIDIA, Santa Clara, CA) GPUs. 

结果：单通道：MAE：17%，28%（bone）；多通道：Dice相似系数和MAE统计学上效果更好，人类：33~40HU，犬类：35~47HU

结论：研究基于梯度回波的对比作为犬和人类中基于深度学习的sCT生成模型的输入影响。发现两个参数会影响sCT生成的性能和可重复性。参数有：单个MR图像与TE相关的水脂干扰；输入中组合的多个相关MR图像作为通道提高模型的性能和可重复性。

Q：文章中的数据源是否给出？

A：

Q：UNet深度学习模型是什么样的？如何生成合成CT，且输入数据是什么？

A：3D-UNet：输入4DMR（3空间维度+一个通道维度），块大小 (输入配置通道数*3*3*3),网络架构（3*3*3卷积层，2*2*2最大池化层）实现规范化和校正的线性单元激活层，生成约400万个可训练参数，在最近邻插值法上运用上采样，这样可以避免在图像生成任务中出现的棋盘伪影。输入数据：T1‐weighted multi‐echo gradient‐echo sequenceT1加权多回波梯度回波序列。模型训练两个数据集断言结果对采集参数和生理变化的变化具有鲁棒性。

Q：骰子相似系数是什么？保真度是什么？

Q：单通道和多通道是什么？Dice相似系数是什么？

Q：数据如何处理的？