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

تصحیح استحکام برای تصویربرداری هیبریدی PET /MR سیستم ها و برنامه ریزی دوز برای پرتو درمانی مبتنی بر MR به دلیل کمبود فوتون پر انرژی ، چالش برانگیز هستند اطلاعات میرایی ما یک رویکرد جدید ارائه می دهیم که از آن استفاده می کندتوصیف گرهای 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 آیند توصیف کننده ها به فضای غیرخطی غیرخطی با استفاده از آن نقشه ویژگی های صریح و تقریب درجه پایین با نظارت شده تنظیم چند برابر نزدیک ترین همسایگان محلی توصیف کننده تصاویر MR ورودی در یک محدودیت جستجو می شوددامنه مکانی تصاویر MR NV میان مجموعه داده های اموزش سپس تکه های CT شبه از طریق نزدیک ترین 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 کند تصاویر شبه CT با میانگین خطای مطلق 18/05 و 25/75 واحدهای Hounsfield ، اوج نسبت سیگنال به نویز 1.15 و dB 1.8 30.87 a میانگین نسبی خطای مطلق 0/50 6/66 in در میرایی PET تصحیح ، و یک اختلاف حجم ساختار نسبی دوز از 1098 in 0.055 در D98 در مقایسه با CT واقعی.نتایج تجربی همچنین نشان می دهد که روش ما از چهار فراتر است پیشرفته ترین روش ها.

Keywords:

پیش بینی CT , توصیف کننده غیرخطی , درجه پایین تقریب , رگرسیون KNN