[1]杨智慧,李好,李丰森.基于改进U-Net模型的脑部MRI生成合成CT研究[J].中国医学物理学杂志,2026,43(6):774-781.[doi:DOI:10.3969/j.issn.1005-202X.2026.06.010]
　YANG Zhihui,LI Hao,et al.Improved U-Net model for generating synthetic CT from brain MRI[J].Chinese Journal of Medical Physics,2026,43(6):774-781.[doi:DOI:10.3969/j.issn.1005-202X.2026.06.010]
点击复制

基于改进U-Net模型的脑部MRI生成合成CT研究()

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
43卷
期数:
2026年第6期
页码:
774-781
栏目:
医学影像物理
出版日期:
2026-06-26

文章信息/Info

Title:
Improved U-Net model for generating synthetic CT from brain MRI
文章编号:
1005-202X（2026）06-0774-08
作者:
杨智慧1; 2; 李好1; 2; 李丰森1; 2
1.甘肃中医药大学医学信息工程学院， 甘肃 兰州 730000； 2.甘肃省人民医院（甘肃中医药大学第一临床医学院）， 甘肃 兰州 730000
Author(s):
YANG Zhihui1;  2;  LI Hao1;  2;  LI Fengsen1;  2
1. School of Medical Information Engineering, Gansu University of Chinese Medicine, Lanzhou 730000, China 2. Gansu Provincial Hospital (First Clinical Medical School, Gansu University of Chinese Medicine), Lanzhou 730000, China
关键词:
磁共振成像; 脑; 合成CT; U-Net
Keywords:
Keywords: magnetic resonance imaging brain synthetic computed tomography U-Net
分类号:
R318；TP391.4
DOI:
DOI:10.3969/j.issn.1005-202X.2026.06.010
文献标志码:
A
摘要:
目的：提出一种基于改进U-Net的脑部MRI生成合成CT（sCT）的方法，实现MRI到CT图像的转换，并比较传统U-Net模型及改进模型在生成脑部sCT方面的性能差异。方法：基于用于放疗计划的CT图像生成2023挑战赛（SynthRAD2023）数据集，选取120例患者的脑部MRI、CT图像作为训练集，39例作为测试集。分别构建传统U-Net模型以及基于U-Net改进的模型。对于二者生成的sCT，分别从图像质量、强度值等角度进行评估。结果：对于测试集中的病例，使用传统U-Net模型和改进模型生成的sCT图像与真实CT间的平均绝对误差分别为（100.28±49.67） HU和（94.87±42.50） HU，峰值信噪比分别为（26.43±2.70） dB和（26.85±2.73） dB，结构相似性分别为0.808±0.092和0.820±0.085。结论：本研究基于U-Net改进的模型在脑部MRI生成sCT精度方面优于传统的U-Net模型。
Abstract:
Abstract: Objective To propose an improved U-Net approach for generating synthetic computed tomography (sCT) from brain magnetic resonance imaging (MRI), achieving MRI-to-sCT translation, and further compare the brain sCT generation performance of the improved model with that of the traditional U-Net model. Methods The SynthRAD2023 dataset for CT image generation in radiotherapy planning was adopted in the study. The brain MRI and CT images of 120 patients were selected as the training set, while those from 39 patients were used as the test set. A traditional U-Net model and an improved U-Net model were constructed, and their generated sCT were evaluated regarding image quality and intensity values. Results For the cases in the test set, the average absolute error relative to ground truth CT reached (100.28±49.67) HU for the traditional U-Net model and (94.87±42.50) HU for the improved model. The corresponding peak signal-to-noise ratios were (26.43±2.70) dB and (26.85±2.73) dB, and the structural similarities were 0.808±0.092 and 0.820±0.085, respectively. Conclusion The proposed improved U-Net model outperforms the traditional U-Net model in terms of accuracy for brain MRI-to-sCT translation.

相似文献/References:

[1]王水花,张煜东.压缩感知磁共振成像技术综述[J].中国医学物理学杂志,2015,32(02):158.[doi:10.3969/j.issn.1005-202X.2015.02.002]
[2]马海涵,游 箭,唐文国,等.成人小脑髓母细胞瘤MR成像和NSE表达水平[J].中国医学物理学杂志,2015,32(02):207.[doi:10.3969/j.issn.1005-202X.2015.02.012]
[3]武 杰,袁航英,严 峻,等.医用核磁共振成像设备的风险因素分析与管理[J].中国医学物理学杂志,2014,31(03):4918.[doi:10.3969/j.issn.1005-202X.2014.03.016]
[4]张煜东,王水花.磁共振成像加速方法[J].中国医学物理学杂志,2014,31(04):5015.[doi:10.3969/j.issn.1005-202X.2014.04.010]
[5]万俊,聂生东,王远军,等.基于MRI的脑肿瘤分割技术研究进展[J].中国医学物理学杂志,2013,30(04):4266.[doi:10.3969/j.issn.1005-202X.2013.04.013]
[6]曾雁冰,张战胜,辛学刚,等.反演法在磁共振射频场设计与优化中的应用[J].中国医学物理学杂志,2013,30(04):4272.[doi:10.3969/j.issn.1005-202X.2013.04.014]
[7]赵 琳,张军,张新宇,等.CT和MRI诊断脑神经胶质瘤52例分析[J].中国医学物理学杂志,2015,32(04):464.[doi:10.3969/j.issn.1005-202X.2015.04.003]
　[J].Chinese Journal of Medical Physics,2015,32(6):464.[doi:10.3969/j.issn.1005-202X.2015.04.003]
[8]赵 琳,张军,张新宇,等.CT和MRI诊断脑神经胶质瘤52例分析[J].中国医学物理学杂志,2015,32(04):464.[doi:10.3969/j.issn.1005-202X.2015.04.003]
[9]骆众星,石健强,谢斯栋,等.T1 FLAIR PROPELLER序列在3.0T磁共振颅脑增强成像上对抑制各种伪影的应用[J].中国医学物理学杂志,2015,32(06):878.[doi:doi:10.3969/j.issn.1005-202X.2015.06.025]
　[J].Chinese Journal of Medical Physics,2015,32(6):878.[doi:doi:10.3969/j.issn.1005-202X.2015.06.025]
[10]管春,朱庆永.参考制导的压缩感知快速磁共振重建方法[J].中国医学物理学杂志,2016,33(3):217.[doi:10.3969/j.issn.1005-202X.2016.03.001]

备注/Memo

备注/Memo:
【收稿日期】2026-01-15 【基金项目】甘肃省科技计划项目-软科学专项（25JRZA204） 【作者简介】杨智慧，硕士研究生，研究方向：医学图像处理、深度学习，E-mail: y2218784238@163.com 【通信作者】李丰森，正高级工程师，硕士生导师，研究方向：医学信息工程，E-mail: 1641673807@qq.com
更新日期/Last Update: 2026-06-26