پیش بینی تصویر CT از داده های MRI از طریق تطبیق ویژگی ها

محمد اسماعیلی¹ نیما فرجیان²

1) دانشجوی ارشد هوش مصنوعی دانشگاه ایوانکی
2) دکتر نیما فرجیان استاد یار دانشگاه ایوانکی

محل انتشار : سومین کنفرانس ملی مهندسی برق و کامیپوتر(iscelec.ir)
چکیده :
چکیده تصحیح استحکام برای تصویربرداری هیبریدی PET / MRسیستم ها و برنامه ریزی دوز برای پرتودرمانی مبتنی بر MRبه دلیل کمبود فوتون پر انرژی ، چالش برانگیز هستنداطلاعات میرایی ما یک رویکرد جدید ارائه می دهیم که از آن استفاده می کندتوصیفگرهای محلی غیرخطی آموخته و مطابق با ویژگی هاپیش بینی تصاویر CT شبه از داده های MRI T1w و T2w.توصیفگرهای محلی غیرخطی با طرح ریزی خطی به دست می آیندتوصیف کننده ها به فضای غیرخطی غیرخطی با استفاده از آن نقشه ویژگی های صریح و تقریب درجه پایین با نظارت شدهتنظیم چند برابر نزدیکترین همسایگان محلی توصیف کننده تصاویر MR ورودی در یک محدودیت جستجو می شوددامنه مکانی تصاویر MR در میان مجموعه داده های آموزش. سپس تکه های CT شبه از طریق نزدیکترین همسایه k برآورد می شوند پسرفت. روش پیشنهادی برای پیش بینی شبه CT است کمی در یک مجموعه داده متشکل از مغز زوجی تجزیه و تحلیل تصاویر MRI و CT از 13 موضوع. روش ما تولید می کندتصاویر شبه CT با میانگین خطای مطلق 05/18  25/75واحدهای Hounsfield ، اوج نسبت سیگنال به نویز 1.15 dB 1.8 30 30.87 ، aمیانگین نسبی خطای مطلق 50/0 6 6/6 in در میرایی PETتصحیح ، و یک اختلاف حجم ساختار نسبی دوز از 1098  0.055 in در D98 ، در مقایسه با CT واقعی.نتایج تجربی همچنین نشان می دهد که روش ما از چهار فراتر است پیشرفته ترین روش ها
کلمات کلیدی : : پیش بینی —CT توصیف کننده غیرخطی درجه پایین تقریب رگرسیون KNN