Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Deep learning based prediction of virtual non contrast CT images

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU134358" target="_blank" >RIV/00216305:26220/21:PU134358 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://dl.acm.org/doi/10.1145/3459104.3460237" target="_blank" >https://dl.acm.org/doi/10.1145/3459104.3460237</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1145/3459104.3460237" target="_blank" >10.1145/3459104.3460237</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep learning based prediction of virtual non contrast CT images

  • Popis výsledku v původním jazyce

    In this paper, we present a method, based on deep learning, for prediction of non-contrast CT image from a single contrast image. For training of this image-to-image translation task, virtual contrast and virtual non-contrast (VNC) images were created from spectral CT data by Philips IntelliSpace Portal (ISP) software. Virtual version of conventional CT (cCT) images and VNC images allows to train paired supervised image-to-image translation models. Two different schemes were tested to train the Convolutional Neural Network (CNN) with U-Net architecture, using standard training with L1/L2 loss as well as training via conditional Generative Adversarial Network (cGAN) with an additional Wasserstein modification (WcGAN). Qualitatively, the proposed method achieves similar results to the original VNC images. However, quantitatively, the trained CNN provides a slightly smaller density reduction in some tissues. The advantage of this approach is that non-contrast image can be predicted from a single conventional CT image, without the need for pre- and post-contrast scan or without a spectral CT scan.

  • Název v anglickém jazyce

    Deep learning based prediction of virtual non contrast CT images

  • Popis výsledku anglicky

    In this paper, we present a method, based on deep learning, for prediction of non-contrast CT image from a single contrast image. For training of this image-to-image translation task, virtual contrast and virtual non-contrast (VNC) images were created from spectral CT data by Philips IntelliSpace Portal (ISP) software. Virtual version of conventional CT (cCT) images and VNC images allows to train paired supervised image-to-image translation models. Two different schemes were tested to train the Convolutional Neural Network (CNN) with U-Net architecture, using standard training with L1/L2 loss as well as training via conditional Generative Adversarial Network (cGAN) with an additional Wasserstein modification (WcGAN). Qualitatively, the proposed method achieves similar results to the original VNC images. However, quantitatively, the trained CNN provides a slightly smaller density reduction in some tissues. The advantage of this approach is that non-contrast image can be predicted from a single conventional CT image, without the need for pre- and post-contrast scan or without a spectral CT scan.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20601 - Medical engineering

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    International Conference Proceeding Series (ICPS) - ISEEIE 2021: 2021 International Symposium on Electrical, Electronics and Information Engineering

  • ISBN

    978-1-4503-8983-9

  • ISSN

    2168-4081

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    72-76

  • Název nakladatele

    Assiciation for Computing Machinery

  • Místo vydání

    New York, NY, USA

  • Místo konání akce

    Prague

  • Datum konání akce

    22. 11. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku