跨参数生成对抗性基于网络的磁共振图像特征合成用于乳腺损伤分类

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 动态对比增强磁共振成像 (DCE-MRI) 对于乳腺癌诊断至关重要,为瘤形态和生理提供了洞察力.
• 与T2权重成像 (T2WI) 相比,DCE-MRI需要对比剂和更长的采集时间.
• 在不同的MRI序列中合成图像仍然是医学成像中的重大挑战.

研究的目的:

• 开发一种基于跨参数生成对抗网络 (GAN) 的新型特征合成 (CPGANFS) 方法.
• 从T2WI生成有区别的DCE-MRI特征,用于增强乳腺癌诊断.
• 为从单序图像中生成交叉参数MR图像特征提供框架.

主要方法:

• 提出了基于GAN (生成对抗网络) 的交叉参数特征合成 (CPGANFS) 方法.
• 使用了带梯度惩罚的瓦瑟斯坦GAN来区分生成的特征与基准真实性的DCE-MRI特征.
• 将T2W图像解码为潜伏的交叉参数特征,以重建DCE-MRI和T2WI特征.

主要成果:

• 合成的DCE-MRI基于特征的模型比基于T2WI的模型 (AUC = 0.815) (p = 0.036) 实现了更高的预测性能 (AUC = 0.866).
• 在乳腺癌检测方面,CPGANFS显示了更好的诊断准确性.
• 模型可视化表明,由于学习了参数间信息,对病变和周围的帕伦基马区域的注意力增加了.

结论:

• 该CPGANFS方法有效地产生T2WI的DCE-MRI特征,改善乳腺癌诊断性能.
• 这种方法为交叉参数MR图像特征生成提供了有价值的框架,提高了可解释性和预测能力.
• 该研究强调了人工智能驱动的特征合成的潜力,以克服传统MRI采集协议的局限性.