机构名称：
¥ 1.0
为了最大程度地减少与强制施用相关的纵向成像和潜在风险的辐射暴露，采取了二维（2D）非对比度轴向轴向单板CT CT，而不是在临床实践中常见的三维（3D）体积CT。然而，很难在纵向成像中找到相同的横截面位置，因此在不同年内捕获的器官和组织存在实质性变化，如图1。在2D腹部切片中扫描的器官和组织与身体成分措施密切相关。因此，增加的位置差异可以准确地分析身体组成的挑战。尽管有这个问题，但尚未提出任何方法来解决2D切片中位置差异的问题。我们的目标是减少位置方差在人体组成分析中的影响，以促进更精确的纵向解释。一个主要的挑战是，在不同年内进行的扫描之间的距离是未知的，因为该切片可以在任何腹部区域进行。图像注册是在其他情况下用于纠正姿势或位置错误的常用技术。但是，这种方法不适合解决2D采集中的平面运动，其中一种扫描中出现的组织/器官可能不会出现在另一种扫描中。基于参考。13，图像协调方法分为两个主要组：深度学习和统计方法。值得注意的统计方法包括战斗14及其变体，15-17 Convbat，18和贝叶斯因子回归。19然而，与生成模型不同，统计方法通常缺乏对我们方案至关重要的生成能力。基于深度学习的现代生成模型最近在生成和重建高质量和现实的图像方面取得了重大成功。20 - 26生成建模的基本概念是训练生成模型以学习分布，以便生成的样品 ^ x〜pdð ^xÞ来自与训练数据分布x〜pdðxÞ的分布相同。27通过学习输入和目标切片之间的联合分布，这些模型可以有效地解决注册的局限性。变化自动编码器（VAE），28是一种生成模型，由编码器和解码器组成。编码器将输入编码为可解释的潜在分布，解码器将潜在分布的样本解码为新数据。生成对抗网络（GAN）20是另一种类型的生成模型，其中包含两个子模型，一个生成新数据的生成器模型和一个区分实际图像和生成图像的歧视器。通过玩这个两人Min-Max游戏，Gans可以生成逼真的图像。Vaegan 29将GAN纳入VAE框架中，以创建更好的合成图像。通过使用歧视器来区分真实图像和生成的图像，Vaegan可以比传统的VAE模型产生更真实和高质量的图像。但是，原始的vaes和gan遭受了缺乏对产生图像的控制的局限性。有条件的GAN（CGAN）30和CONDINATION VAE（CVAE）31解决了此问题，该问题允许生成具有条件的特定图像，从而对生成的输出提供了更多控制。但是，这些条件方法中的大多数都需要特定的目标信息，例如目标类，语义图或热图，在测试阶段32作为条件，这在我们的情况下是不可行的，因为我们没有任何可用的直接目标信息。
纵向单...
主要关键词
相关文件推荐
