期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度卷积神经网络的CT图像层间插值方法的初步研究
被引量：
3
1
作者
菅影超
马善达
王伟
《中国医学计算机成像杂志》
CSCD
北大核心
2022年第6期669-675,共7页
目的:研究一种基于CT图像层间插值的方法,用于放射治疗过程中的患者摆位验证,从而提高放疗精度。方法:采用一种基于3D卷积和膨胀卷积神经网络(3D CNN-DCNN)算法,利用相邻图像层之间的关联信息重建中间层图像。采用U-Net网络架构,通过编...
目的:研究一种基于CT图像层间插值的方法,用于放射治疗过程中的患者摆位验证,从而提高放疗精度。方法:采用一种基于3D卷积和膨胀卷积神经网络(3D CNN-DCNN)算法,利用相邻图像层之间的关联信息重建中间层图像。采用U-Net网络架构,通过编码部分的卷积层、膨胀卷积层、池化层和解码部分的上采样层、卷积层、膨胀卷积层,对CT进行端到端的学习。采集20例患者图像数据,采用留一交叉验证的方法训练验证模型,分别对神经网络和线性插值的预测CT与原始薄层CT进行对照比较。结果:3D CNN-DCNN的平均绝对误差(MAE)为34 HU,远小于线性插值的55 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,大于线性插值方法的0.89。结论:与传统线性插值方法相比,3D CNN-DCNN算法可以更准确的重建薄层CT,明显改善了插值伪影、图像失真和锯齿状现象。
展开更多
关键词
摆位验证
膨胀卷积神经网络
U-Net
留一交叉验证
平均绝对误差
Dice相似系数
在线阅读
下载PDF
职称材料
CT图像层间插值方法的深入分析验证
2
作者
菅影超
王虹
+1 位作者
王伟
马善达
《中国医学计算机成像杂志》
CSCD
北大核心
2024年第2期259-266,共8页
目的:通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法:采用基于深度卷积神经网络(DCNN)算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络...
目的:通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法:采用基于深度卷积神经网络(DCNN)算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络对CT图像进行处理。由于头颈部和胸腹盆部的结构差异,分别采用70例头颈部和75例胸腹盆部患者的图像数据进行训练,建立不同的头颈部和胸腹盆部模型。采用留一交叉验证的方法验证模型,将DCNN与线性插值和生成对抗网络(GAN)的性能进行比较。结果:头颈部患者中,DCNN的平均绝对误差(MAE)为36 HU,优于线性插值和GAN的62 HU和50 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,超过线性插值和GAN的0.88和0.91;胸腹盆部位患者中,DCNN的MAE为29 HU,优于线性插值和GAN的47 HU和34 HU。除此之外,骨骼的DSC为0.94,同样超过线性插值和GAN的0.87和0.91。结论:与线性插值和GAN相比,DCNN算法在重建薄层CT图像方面具有更高的精度;其显著减少了插值伪影、图像失真和锯齿效应,从而提高了放疗患者摆位验证的精度。
展开更多
关键词
摆位验证
深度卷积神经网络
生成对抗神经网络
平均绝对误差
Dice相似系数
在线阅读
下载PDF
职称材料
题名
基于深度卷积神经网络的CT图像层间插值方法的初步研究
被引量：
3
1
作者
菅影超
马善达
王伟
机构
北京瑞尔世维医学研究有限公司研发部
江苏瑞尔医疗科技
有限公司
研发
部
天津医科大学肿瘤医院放疗科
出处
《中国医学计算机成像杂志》
CSCD
北大核心
2022年第6期669-675,共7页
文摘
目的:研究一种基于CT图像层间插值的方法,用于放射治疗过程中的患者摆位验证,从而提高放疗精度。方法:采用一种基于3D卷积和膨胀卷积神经网络(3D CNN-DCNN)算法,利用相邻图像层之间的关联信息重建中间层图像。采用U-Net网络架构,通过编码部分的卷积层、膨胀卷积层、池化层和解码部分的上采样层、卷积层、膨胀卷积层,对CT进行端到端的学习。采集20例患者图像数据,采用留一交叉验证的方法训练验证模型,分别对神经网络和线性插值的预测CT与原始薄层CT进行对照比较。结果:3D CNN-DCNN的平均绝对误差(MAE)为34 HU,远小于线性插值的55 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,大于线性插值方法的0.89。结论:与传统线性插值方法相比,3D CNN-DCNN算法可以更准确的重建薄层CT,明显改善了插值伪影、图像失真和锯齿状现象。
关键词
摆位验证
膨胀卷积神经网络
U-Net
留一交叉验证
平均绝对误差
Dice相似系数
Keywords
Setup verification
Dilated convolutional neural network
U-Net
Leave-one-out cross validation
Mean absolute error
Dice similarity coefficient
分类号
R815.2 [医药卫生—放射医学]
在线阅读
下载PDF
职称材料
题名
CT图像层间插值方法的深入分析验证
2
作者
菅影超
王虹
王伟
马善达
机构
北京瑞尔世维医学研究有限公司研发部
江苏瑞尔医疗科技
有限公司
研发
部
天津医科大学肿瘤医院放疗科
出处
《中国医学计算机成像杂志》
CSCD
北大核心
2024年第2期259-266,共8页
基金
无锡市创新创业资金“太湖之光”科技攻关计划(产业化关键技术攻关)(WX0304B010301220016PD)。
文摘
目的:通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法:采用基于深度卷积神经网络(DCNN)算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络对CT图像进行处理。由于头颈部和胸腹盆部的结构差异,分别采用70例头颈部和75例胸腹盆部患者的图像数据进行训练,建立不同的头颈部和胸腹盆部模型。采用留一交叉验证的方法验证模型,将DCNN与线性插值和生成对抗网络(GAN)的性能进行比较。结果:头颈部患者中,DCNN的平均绝对误差(MAE)为36 HU,优于线性插值和GAN的62 HU和50 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,超过线性插值和GAN的0.88和0.91;胸腹盆部位患者中,DCNN的MAE为29 HU,优于线性插值和GAN的47 HU和34 HU。除此之外,骨骼的DSC为0.94,同样超过线性插值和GAN的0.87和0.91。结论:与线性插值和GAN相比,DCNN算法在重建薄层CT图像方面具有更高的精度;其显著减少了插值伪影、图像失真和锯齿效应,从而提高了放疗患者摆位验证的精度。
关键词
摆位验证
深度卷积神经网络
生成对抗神经网络
平均绝对误差
Dice相似系数
Keywords
Setup verification
Deep convolutional neural network
Generative adversarial networks
Mear absolute error
Dicesimilarity coefficient
分类号
R815.2 [医药卫生—放射医学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度卷积神经网络的CT图像层间插值方法的初步研究
菅影超
马善达
王伟
《中国医学计算机成像杂志》
CSCD
北大核心
2022
3
在线阅读
下载PDF
职称材料
2
CT图像层间插值方法的深入分析验证
菅影超
王虹
王伟
马善达
《中国医学计算机成像杂志》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
