在高分辨率和低分辨率CT成像之间,基于深度学习的轨迹骨微观结构的协调

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 骨质疏松症的诊断依赖于骨矿物质密度和微观结构.
• 临床CT能够在体内进行骨微结构成像.
• 在CT扫描仪分辨率的变化需要图像协调一致的指标.

研究的目的:

• 开发和评估一种深度学习 (DL) 方法,以协调来自低分辨率和高分辨率CT扫描仪的骨微结构图像.
• 评估该方法在图像数据和衍生微观结构指标上的性能.

主要方法:

• 开发了GAN-CIRCLE的3D版本,利用两个生成对抗网络 (GAN),用于CT图像分辨率的协调.
• 该模型学会将低分辨率CT (LRCT) 映射到高分辨率CT (HRCT),反之亦然.
• 在20名志愿者的LRCT和HRCT图像块上进行了监督和无监督的培训/评估.

主要成果:

• 与LRCT相比,监督和无监督的3DGAN-CIRCLE方法显著改善了结构相似性 (SSIM).
• 与LRCT和无监督方法相比,监督的3DGAN-CIRCLE显示出对轨道 (Tb) 测量有更高的一致性 (CCC).
• 监督方法减少了Tb测量的偏差和变异性,优于现有的DL方法.

结论:

• 3DGAN-CIRCLE有效地生成具有与真实HRCT高度结构相似性的HRCT图像.
• 监督的3DGAN-CIRCLE提高了微观结构测量的准确性,并且优于无监督方法.
• 这种DL解决方案有助于协调用于纵向骨质疏松症研究的多部位成像数据.