使用生成对抗网络对配重建内核图像的肺部CT协调
Aravind R Krishnan1, Kaiwen Xu2, Thomas Z Li3
1Department of Electrical and Computer Engineering, Vanderbilt University, Nashville, Tennessee, USA.
Medical physics
|March 26, 2024
概括
深度学习内核转换使不同重建内核的CT图像协调一致,改善了肺癌查的定量评估. 这种方法提高了像肺气和身体组成这样的测量结果的一致性.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 医疗保健中的人工智能
背景情况:
- CT图像重建内核显著影响图像纹理和定量测量.
- 不同的扫描仪或协议之间不一致的内核选择可以引入与实际解剖学无关的测量变化.
研究的目的:
- 调查和验证深度学习方法,在多供应商低剂量CT肺癌查数据中实现核心协调.
- 评估核转换对基于CT的定量评估和放射性特征可重现性的影响.
主要方法:
- 利用国家肺部查试验数据集来识别用软核和硬核重建的对联CT扫描.
- 采用了pix2pix深度学习架构进行内核转换,训练了10个模型,每组100对.
- 使用图像相似度指标 (RMSE,PSNR,SSIM) 评估转化效率,并评估对肺气,身体组成和放射性特征的影响.
主要成果:
- 深度学习模型有效地在不同内核类型之间转换CT图像,显著改善图像相似度指标 (RMSE,PSNR,SSIM).
- 核心协调导致了对百分比肺气,骨肌面积和皮下脂肪组织 (SAT) 面积的定量测量增加了一致性.
- 与地面真相特征相比,放射性特征在内核转换后显示出更好的可重复性.
结论:
- 基于深度学习的内核转换是协调CT图像跨不同重建内核的有效方法.
- 这种技术有效地减少了与肺癌查和身体成分分析相关的关键定量指标的测量变化.


