GANs : from MRI to CT image translation on specific HU ranges

This thesis investigates the possibility of performing image-to-image translation from Magnetic Resonance Imaging (MRI) to Computed Tomography (CT) scans with different cutoffs on the Hounsfield Unit (HU) scale. The aim is to reduce the time and burden on patients by using deep learning techniques to generate synthetic images, rather than performing both scans. The research work utilizes the multi input CycleGAN implementation, which uses two MRI acquisition modalities to generate CTs with different cutoffs on the HU scale, in order to have different perspectives on the abdominal area, that is the chosen body part for this task due to the variety of organs and structures it presents. The cutoffs are also combined as a multichannel RGB image to perform training with all the perspectives combined. This also allows the information they contain to be merged to reconstruct a relevant part of the HU range previously compressed through a negotiation algorithm, obtaining synthetic images on which new cutoffs can be performed.

Questa tesi investiga la possibilità di eseguire la traduzione da immagini di risonanza magnetica (MRI) a tomografia computerizzata (CT) con diversi cutoff sulla scala Hounsfield (HU). Lo scopo è quello di ridurre il tempo e l'onere sui pazienti utilizzando algoritmi di deep learning per generare immagini sintetiche, anziché eseguire entrambi gli esami medici. Il lavoro di ricerca sfrutta l'implementazione multi input di CycleGAN, che utilizza due modalità di acquisizione MRI per generare CT con diversi cutoff sulla scala di Hounsfield, al fine di avere diverse prospettive sull'area addominale, che è la parte del corpo scelta per questo lavoro di ricerca a causa della varietà di organi e strutture che presenta. I cutoff sono anche uniti in un'immagine multicanale RGB per eseguire il training combinando l'informazione fornita dalle diverse prospettive sulla medesima immagine. Ciò consente anche di sfruttare le informazioni che queste contengono per ricostruire una parte rilevante del range HU precedentemente compresso attraverso un algoritmo di negoziazione, ottenendo immagini sintetiche sulle quali nuovi cutoff potranno essere applicati.