Ein deep convolutional neural network wurde gebaut, um Magnetresonanzbildern(MRI) in Computertomographiebilder(CT) zu übersetzen.
Convolutional Neural Network, Image-to-Image Translation, CT, MRI
Ein erstes Modell zu erstellen und mit den gegebenen Daten zu trainieren trainiert und evaluiert. Da das Projekt weitergeführt wird, dient diese Arbeit hier als Fundament für die Weiterführung.
Computertomographie und Magnetresonanztomographie sind beides beliebte Methoden in der Medizin, um in das Innere des Menschen zu blicken. MR bilden Weichgewebe sehr gut ab, die Knochen sind jedoch kaum sichtbar. CT hingegen zeigen die Knochen sehr detailert, dafür sind die Weichteile schlechter differenzierbar. Zudem funktioniert CT mit ionisierender Strahlung, welche schädlich sein kann. Es wäre von Vorteil, wenn diese Strahlung vermieden werden könnte, ohne die Information über die Knochen zu verlieren. Hierzu soll ein Modell trainiert werden, welches aufgrund von den MR-Bildern lernt, CT-Bilder zu generieren. Das Institut für Rechtsmedizin an der Universität Zürich besitzt einen grossen Datensatz, der diesen Lösungsansatz ermöglicht. UDieses Problem gehört zum Teilgebiet der Image-to-Image Translation.
Das beste Modell hat einen mean absolute error von 85.68HU erreicht, was sehr nah an den Ergebnissen in Xiao Han's Paper liegt. Einige Bilder sind einfacher zu rekreieren, andere sind aufgrund der anatomischen Gegebenheiten schwieriger zu generieren. Ein grösserer Teil dieser Arbeit war auch, verschieden preprocessing Methoden auszuprobieren. Diese werden sich möglicherweise für die Weiterführung mit mehr Daten als nützlich erweisen. Auch wurde für diese Arbeit nur einen Bruchteil der vorhandenen Daten gebraucht, da das Aufbereiten der Daten zeitintensiv ist.
Projektdauer: Februar 2021 - August 2021
Aufwand: 720 Stunden
Teamgrösse: 2 Personen
Universität Zürich
Institut für Rechtsmedizin
Dr. Niklaus Zölch, Dominic Gascho
Florian Schärer
Wai Tsun Chen
Prof. Dr. Michael Graber, michael.graber@fhnw.ch
Marco Willi, marco.willi@fhnw.ch
