乳房的合成MRI衍生的减去-MIPs的损伤调节,使用隐性扩散模型
Lorenz A Kapsner1,2, Lukas Folle3, Dominique Hadler4
1Institute of Radiology, Uniklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Maximiliansplatz 3, 91054, Erlangen, Germany. lorenz.kapsner@uk-erlangen.de.
Scientific reports
|March 17, 2024
概括
潜在扩散模型可以生成由病变影响的乳房MRI图像. 虽然合成图像显示高interrater可靠性,他们代表了典型的病变,影响诊断的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 与对比度增强 (CE) 的MRI对于乳腺癌检测至关重要.
- 最大强度预测 (MIP) 有助于可视化损伤.
- 生成真实的合成医疗图像是一个持续的挑战.
研究的目的:
- 评估使用隐性扩散模型 (LDM) 来生成乳腺MRI衍生CE减去MIP的可行性.
- 根据细分的损伤数据来条件图像生成,包括位置和BI-RADS分数.
主要方法:
- 从1966名患者中对2832名CE-MIP进行了LDM培训.
- 在407次检查中,根据756个细分病变的LDM条件.
- 在一个多评级者研究中评估合成图像 (5评级者,每人204个MIP).
主要成果:
- 评级人员无法可靠地区分合成和真实的MIP (AUC0.58).
- 在真实 (W=0.77) 和合成 (W=0.85) 图像中观察到高interrater可靠性用于病变评估.
- 合成MIP显示,用于检测可疑病变的AUC更高 (BI-RADS 4) (0.88对0.77).
结论:
- LDMs可以产生损伤条件的乳房MRICE减去MIPs.
- 生成的合成病变通常是"教科书表现".
- 需要进一步精细化,以提高LDM生成的合成乳腺MRI数据的诊断效用.
