發(fā)布時間：2021-05-18 18:22

　　放射治療中,常規(guī)的計算放療劑量的方法是在放療前利用計算機斷層成像技術（Computed Tomography,CT）對患者采集一套計劃CT圖像。計劃CT圖像具有電子密度信息,據(jù)此可以計算患者的放療劑量。隨著放療技術的不斷發(fā)展,磁共振影像引導放療技術（Magnetic Resonance Image-Guided Radiotherapy,MRIgRT）逐漸受到歡迎。但磁共振圖像不具有電子密度信息,不能直接使用磁共振圖像進行放射劑量的計算。為了解決這個問題,本文利用深度學習,基于U-Net網絡,結合殘差思想,搭建端對端的神經網絡模型RUN,通過輸入大量訓練數(shù)據(jù)學習從MRI圖像到CT圖像的映射,從而利用MRI圖像合成對應的CT圖像。再根據(jù)合成CT計算放療劑量。實驗表明,該網絡能夠有效的將MRI圖像轉換成接近真實的CT圖像,同時相比于其他網絡,該網絡的收斂速度更快,網絡訓練所需時間更短�；诖殴舱裼跋褚龑У姆暖熛到y(tǒng)中,采用磁共振成像代替?zhèn)鹘y(tǒng)的錐形束CT（Cone Beam Computed Tomography,CBCT）成像。為減小患者擺位誤差,常使用MRI圖像與計劃CT進行配準,但跨模態(tài)... 

【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)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 引言
    1.1 課題背景及研究意義
        1.1.1 癌癥的現(xiàn)狀
        1.1.2 放療發(fā)展歷史
        1.1.3 磁共振影像引導放療
        1.1.4 CT成像原理
        1.1.5 MRI成像原理
    1.2 醫(yī)學影像多模態(tài)轉換的應用及國內外研究現(xiàn)狀
        1.2.1 從MRI到CT的圖像生成
        1.2.2 從CT到MRI的圖像生成
    1.3 多模態(tài)轉換圖像評價指標
    1.4 研究內容
    1.5 論文結構
第2章 基于深度學習的CT圖像生成
    2.1 方法概述
    2.2 RUN網絡結構
    2.3 實驗整體設計
        2.3.1 實驗數(shù)據(jù)
        2.3.2 訓練方法及模型參數(shù)
        2.3.3 實驗結果及分析
    2.4 本章小結
第3章 基于深度學習的MRI圖像生成
    3.1 方法概述
    3.2 深度神經網絡
    3.3 實驗整體設計
        3.3.1 實驗數(shù)據(jù)
        3.3.2 訓練方法及模型參數(shù)
        3.3.3 實驗結果及分析
    3.4 本章小結
第4章 總結與展望
    4.1 本文總結
    4.2 未來研究方向
參考文獻
作者簡歷及攻讀學位期間發(fā)表的學術論文與研究成果
致謝


【參考文獻】：
期刊論文
[1]保持活力四射 少了水不行[J]. 張妍.  健康向導. 2019(03)
[2]2018全球癌癥統(tǒng)計報告解讀[J]. 王寧,劉碩,楊雷,張希,袁延楠,李慧超,季加孚.  腫瘤綜合治療電子雜志. 2019(01)
[3]PET/MR衰減校正技術的研究進展[J]. 高艷,趙晉華.  中國醫(yī)療設備. 2015(07)
[4]圖像引導放療的實現(xiàn)方式[J]. 戴建榮,胡逸民.  中華放射腫瘤學雜志. 2006(02)
[5]核磁共振成像[J]. 劉東華,李顯耀,孫朝暉.  大學物理. 1997(10)



本文編號：3194271