現(xiàn)代社會癌癥多發(fā),且發(fā)病人群越來越呈現(xiàn)年輕化的趨勢,而放射治療對治療很多惡性腫瘤都十分有效,比如頭頸癌,而放射治療方案需要拍攝病人病灶的計算機斷層掃描（Computed Tomography,CT）圖像,以進行放射劑量的規(guī)劃,同時也需要拍攝相應空間結構的磁共振（Magnetic Resonance,MR）圖像,以分割腫瘤組織與健康的器官。腫瘤病人需要分別拍攝MR和CT圖像,會造成較高的社會經(jīng)濟負擔,效率低。而且,拍攝CT圖像時會使病人暴露在具有放射性的電離輻射中,對病人造成二次傷害。因此,本文先是對循環(huán)生成對抗網(wǎng)絡（Cycleconsistent Generative Adversarial Networks,CycleGAN）算法做了兩點改良,接著提出了基于循環(huán)生成對抗網(wǎng)絡的MR圖像合成CT圖像的算法,以期解決這些問題。首先,本文對原始的循環(huán)生成對抗網(wǎng)絡方法做了兩點改良,第一點針對循環(huán)生成網(wǎng)絡的損失函數(shù),通過添加L1距離函數(shù)來提高循環(huán)生成對抗網(wǎng)絡的合成效果;第二點針對訓練數(shù)據(jù)集,通過數(shù)據(jù)增強的方式,獲得了大量實際中難以獲得的醫(yī)學圖像數(shù)據(jù),提升了訓練數(shù)據(jù)集的容量。實驗結果表明,原始循環(huán)... 

【文章來源】：中國科學院大學(中國科學院深圳先進技術研究院)廣東省

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意義
    1.2 MR合成CT任務概述
        1.2.1 MR圖像簡介
        1.2.2 CT圖像簡介
        1.2.3 MR合成CT難點分析
        1.2.4 MR合成CT評價標準簡述
        1.2.5 本文的研究內容及結構安排
第2章 國內外研究現(xiàn)狀
    2.1 基于多圖譜配準的圖像合成方法
    2.2 基于強度變換函數(shù)的圖像合成方法
    2.3 基于深度學習的圖像合成方法
    2.4 本章小結
第3章 循環(huán)生成對抗網(wǎng)絡的改良應用
    3.1 引言
    3.2 循環(huán)生成對抗網(wǎng)絡概述
        3.2.1 生成對抗網(wǎng)絡
        3.2.2 循環(huán)生成對抗網(wǎng)絡
    3.3 算法的實驗應用
        3.3.1 數(shù)據(jù)的獲取與預處理
        3.3.2 L1 距離函數(shù)
        3.3.3 數(shù)據(jù)增強
        3.3.4 實驗和結果
    3.4 本章小結
第4章 U型網(wǎng)絡循環(huán)生成對抗網(wǎng)絡的提出與應用
    4.1 生成器網(wǎng)絡
    4.2 U型網(wǎng)絡循環(huán)生成對抗網(wǎng)絡
    4.3 算法的實驗對比
    4.4 本章小結
第5章 總結與展望
    5.1 研究總結
    5.2 研究展望
參考文獻
致謝
作者簡歷及攻讀學位期間發(fā)表的學術論文與研究成果



本文編號：3056296