Redes Generativas Adversarias 3D de Crecimiento Progresivo para generación de mapas de atenuación de PET

Autores/as

  • Ramiro Germán Rodríguez Colmeiro, Doctorando Grupo de Inteligencia Artificial y Robótica (GIAR), Unidad de Investigación y Desarrollo de las Ingenierías (UIDI), Facultad Regional Buenos Aires, Universidad Tecnológica Nacional - Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) – Argentina / GAMMA3 (UTT-INRIA), Université de Technologie de Troyes - Francia
  • Daniel Minsky Director
  • Thomas Grosges Director
  • Claudio Abel Verrastro Codirector

DOI:

https://doi.org/10.33414/ajea.5.720.2020

Palabras clave:

Red Adveraria de Crecimiento Progresivo, Tomografía por Emisión de Positrones, Corrección de atenuación

Resumen

Las imágenes de Tomografía por Emisión de Positrones visualizan la actividad molecular en el tejido vivo. Para recuperar correctamente la distribución de la actividad es necesario conocer la anatomía del paciente y compensar los efectos de atenuación. Esto se realiza con un mapa de atenuación que se obtiene normalmente con otro tipo de imagen, como una Tomografía Computada. Recientemente se ha propuesto generar el mapa de atenuación usando métodos basados en imágenes, como las redes convolucionales. En este trabajo se explora la capacidad de las Redes Generativas Adversarias (GAN, del inglés) de crecimiento progresivo. Su exactitud es comparada comparada con GANs tradicionales de trabajos previos. A pesar de ser exitosas para la generación de imágenes de alta calidad 2D y poseer un entrenamiento más estable, su exactitud es menor a la obtenido en trabajos previos, alcanzando un Error Medio Promedio de 132+-22 HU contra 103+-18 HU obtenido en trabajos previos.

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2020-10-05

Cómo citar

Rodríguez Colmeiro, R. G., Minsky, D., Grosges, T., & Verrastro, C. A. (2020). Redes Generativas Adversarias 3D de Crecimiento Progresivo para generación de mapas de atenuación de PET. AJEA, (5). https://doi.org/10.33414/ajea.5.720.2020