A Proof-of-Concept Study of Multitask Learning for Cranial Synthetic CT Generation Across Heterogeneous MRI Field Strengths
多任务学习在跨异质MRI场强的颅骨合成CT生成中的概念验证研究
机构 * F.M. Kirby Research Center for Brain Imaging, Kennedy Krieger Institute（F.M. Kirby脑成像研究中心，Kennedy Krieger研究所） ； Neurosection, Division of MR Research, Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（神经科，磁共振研究部，约翰·霍普金斯大学医学院放射学与放射科学系） ； Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰·霍普金斯大学） ； Department of Biomedical Engineering, Case Western Reserve University（生物医学工程系，凯斯西储大学） ； Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学） ； Department of Neuroscience, Columbia University（神经科学系，哥伦比亚大学） ； Department of Radiology, Mayo Clinic（放射科，梅奥诊所） ； Neuroradiology and Neurosurgery, Mayo Clinic College of Medicine and Science（神经放射学与神经外科，梅奥诊所医学院与科学学院）
AI总结 本文提出一种深度学习框架，用于在不同MRI场强和协议下实现稳定的颅骨合成CT生成，通过模块化结构提升鲁棒性，并在多中心数据集上验证了其优于传统方法的性能。
Comments Published in Medical Physics (2026). DOI: 10.1002/mp.70429
Journal ref Medical Physics, 53(5): e70429, 2026
