MRI to FDG-PET: Cross-Modal Synthesis Using 3D U-Net for Multi-modal Alzheimer’s Classification论文解读

  这篇文章发表于2018年的International Workshop on Simulation and Synthesis in Medical Imaging，论文使用了一个3D U-Net结构从3D MRI中合成3D PET，在定量评估上，使用了MAE、PSNR与SSIM三种指标，并且将合成的PET与MRI一同用于AD分类中，相比只用MRI的70.18%分类精度，使用MRI+合成PET后的结果达到了74.43%。

方法

数据集

  使用了来自ADNI数据集的384个同时具有MRI和PET影像的患者（其中192个正常，192个AD）。

预处理

  首先，使用FSL软件将MR配准到MNI模板空间，它是标准模板。 随后对MR图像进行头盖骨剥离，并归一化到[0,1]（避免梯度爆炸和收敛问题）。对PET图像，也配准到相同的MNI模板上，不进行头盖骨剥离，但归一化到[0,1]。值得注意的是，文章提到将处理好的MRI和PET图像使用FSL分割为灰质、白质、脑脊髓（只进行灰质部分的MRI-PET转换？）。并且将预处理好的MRI和PET影像都缩小到了 64 × 64 ×