Statistical learning in computed tomography image estimation

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:DiVA.org:umu-153283" > Statistical learnin...

1 av 1
Föregående post
Nästa post
Till träfflistan

Bayisa, FekaduUmeå universitet,Institutionen för matematik och matematisk statistik (författare)

Statistical learning in computed tomography image estimation

Artikel/kapitelEngelska2018

Förlag, utgivningsår, omfång ...

2018-11-08
John Wiley & Sons,2018
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:umu-153283
https://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-153283URI
https://doi.org/10.1002/mp.13204DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Purpose: There is increasing interest in computed tomography (CT) image estimations from magneticresonance (MR) images. The estimated CT images can be utilized for attenuation correction, patientpositioning, and dose planning in diagnostic and radiotherapy workflows. This study aims to introducea novel statistical learning approach for improving CT estimation from MR images and to compare theperformance of our method with the existing model-based CT image estimation methods.Methods: The statistical learning approach proposed here consists of two stages. At the trainingstage, prior knowledge about tissue types from CT images was used together with a Gaussian mixturemodel (GMM) to explore CT image estimations from MR images. Since the prior knowledge is notavailable at the prediction stage, a classifier based on RUSBoost algorithm was trained to estimatethe tissue types from MR images. For a new patient, the trained classifier and GMMs were used topredict CT image from MR images. The classifier and GMMs were validated by using voxel-leveltenfold cross-validation and patient-level leave-one-out cross-validation, respectively.Results: The proposed approach has outperformance in CT estimation quality in comparison withthe existing model-based methods, especially on bone tissues. Our method improved CT image estimationby 5% and 23% on the whole brain and bone tissues, respectively.Conclusions: Evaluation of our method shows that it is a promising method to generate CTimage substitutes for the implementation of fully MR-based radiotherapy and PET/MRI applications

Ämnesord och genrebeteckningar

NATURVETENSKAP Matematik Sannolikhetsteori och statistik hsv//swe
NATURAL SCIENCES Mathematics Probability Theory and Statistics hsv//eng
TEKNIK OCH TEKNOLOGIER Medicinteknik Medicinsk bildbehandling hsv//swe
ENGINEERING AND TECHNOLOGY Medical Engineering Medical Image Processing hsv//eng
Computed tomography
CT image estimation
Gaussian mixture model
magnetic resonance imaging
supervised learning
matematisk statistik
Mathematical Statistics

Biuppslag (personer, institutioner, konferenser, titlar ...)

Liu, XijiaUmeå universitet,Institutionen för matematik och matematisk statistik(Swepub:umu)xili0017 (författare)
Garpebring, AndersUmeå universitet,Radiofysik(Swepub:umu)anga0014 (författare)
Yu, Jun,1962-Umeå universitet,Institutionen för matematik och matematisk statistik,Mathematical Statistics(Swepub:umu)juyu0002 (författare)
Umeå universitetInstitutionen för matematik och matematisk statistik (creator_code:org_t)

Sammanhörande titlar

Ingår i:Medical physics (Lancaster): John Wiley & Sons45:12, s. 5450-54600094-24052473-4209

Internetlänk

Hitta via bibliotek

Medical physics (Lancaster) (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Bayisa, Fekadu; Liu, Xijia; Garpebring, Ande ...; Yu, Jun, 1962-

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Matematik; och Sannolikhetsteor ...

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Medicinteknik; och Medicinsk bildbe ...

Artiklar i publikationen: Medical physics ...

Av lärosätet: Umeå universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se