乳房超声波图像的临床实用性 由生成对抗网络合成的图像
Shu Zama1, Tomoyuki Fujioka1, Emi Yamaga1
1Department of Diagnostic Radiology, Tokyo Medical and Dental University Hospital, 1-5-45, Yushima, Bunkyo-ku, Tokyo 113-8501, Japan.
Medicina (Kaunas, Lithuania)
|January 26, 2024
概括
生成对抗网络 (GAN) 合成的乳房超声波图像紧密地模仿了原始图像. 这些GAN合成图像显示了临床教育和提高乳腺成像诊断技能的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 乳房超声波成像对于诊断至关重要.
- 高质量的培训数据对于发展诊断技能至关重要.
- 生成对抗网络 (GAN) 提供了一种新的图像合成方法.
研究的目的:
- 将原始乳房超声波图像的临床特性与GAN合成的图像进行比较.
- 评估GAN合成乳房超声波图像的临床有用性和诊断准确性.
主要方法:
- 一个深度卷积GAN (DCGAN) 模型合成了五种组织学类型的乳房超声波图像.
- 两位经验丰富的放射科医生对每种类型评估了50张原始图像和50张合成图像.
- 计算了诊断准确度和读者之间的一致性 (卡帕系数).
主要成果:
- GAN合成和原始图像是无法区分的.
- 合成图像的诊断准确率 (86.0%,78.0%) 与原始图像 (88.0%,78.0%) 相似.
- 对于合成 (0.625) 和原始 (0.650) 图像,卡帕对读者同意的值相似.
结论:
- 用DCGAN合成的乳房超声波图像在临床特征上与原始图像非常相似.
- 通过GAN合成的图像有可能用于临床教育和培训.
- 这些合成图像可以帮助提高乳房超声波的诊断技能.
更多相关视频
12:23Multi-modal Imaging of Angiogenesis in a Nude Rat Model of Breast Cancer Bone Metastasis Using Magnetic Resonance Imaging, Volumetric Computed Tomography and Ultrasound
Published on: August 14, 2012
14.3K
06:57Utilizing High Resolution Ultrasound to Monitor Tumor Onset and Growth in Genetically Engineered Pancreatic Cancer Models
Published on: April 7, 2018
10.8K
