像素向渐变模型与GAN用于MRI成像中的虚拟对比度增强
Ka-Hei Cheng1, Wen Li1, Francis Kar-Ho Lee2
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Hong Kong SAR, China.
Cancers
|March 13, 2024
概括
这项研究引入了一种新的Pixelwise渐变模型与GAN用于虚拟对比增强 (PGMGVCE),以改进鼻癌 (NPC) 的MRI扫描. PGMGVCE模型为传统对比剂提供了一个安全的,人工智能驱动的替代方案,提高了诊断准确度.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 先进的计算模型对于提高医学成像诊断精度至关重要.
- 在MRI中,虚拟对比增强 (VCE) 旨在模拟对比剂的影响,降低风险.
- 鼻癌 (NPC) 诊断可以从改进的MRI技术中受益.
研究的目的:
- 引入和评估一种用于MRI的新型VCE模型,特别是PGMGVCE,用于NPC检测.
- 使用人工智能模拟基于加多的对比剂的影响,从而最大限度地降低患者的风险.
- 通过各种修改和规范化技术优化PGMGVCE模型.
主要方法:
- 开发了带有GAN用于虚拟对比增强 (PGMGVCE) 的Pixelwise渐变模型.
- PGMGVCE使用像素级梯度方法和生成对抗网络 (GAN) 来增强T1加权和T2加权MRI图像.
- 通过测试超参数,规范化方法 (z-score,Sigmoid,Tanh) 和训练策略,优化了模型性能.
主要成果:
- 在平均绝对误差 (MAE),平均平方误差 (MSE) 和结构相似性指数 (SSIM) 方面,PGMGVCE实现了与现有模型相似的准确性.
- 该模型显示了纹理表示的显著改进,通过增强的平均强度的总平均平方变量 (TMSVPMI),平均强度的总绝对变量 (TAVPMI),平均强度的十度函数 (TFPMI) 和平均强度的变量函数 (VFPMI) 证明了这一点.
结论:
- PGMGVCE提供了一种创新且安全的方法,用于MRI中虚拟对比度增强.
- 这项研究强调了像PGMGVCE这样的深度学习模型在推进医学成像方面的潜力.
- 这种人工智能驱动的VCE方法为医疗保健中更准确,更无风险的诊断工具铺平了道路.
