TIST-Net:使用空间和时间信息进行动态对比增强MRI的风格转移

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 为动态对比增强 (DCE) MRI 分析培训深度学习模型受到数据稀缺和高采集成本的阻碍.
• 患者内部和患者之间对比度增强的变化使模型训练复杂化.
• 风格转移为生成合成医疗图像提供了一个潜在的解决方案.

研究的目的:

• 为DCE-MRI开发一种包含时空信息的风格转移方法.
• 从现有的DCE-MRI图像中添加或删除对比度增强.
• 创建一种能够生成新的DCE-MRI数据以增强训练数据集的方法.

主要方法:

• 提出了一种使用自动编码器和卷积长短时间内存网络的时间图像到图像风格传输网络 (TIST-Net).
• 采用可变形和可适应的卷积,以精确控制时空数据中的内容和风格解.
• 通过结构相似度指数 (SSIM) 和专家临床评估评估该方法.

主要成果:

• 在脏,前列腺和子宫DCE-MRI数据集上实现了最先进的性能,在添加和删除对比度增强方面都获得了高SSIM分数.
• 与其他方法相比,在临床评估中表现出卓越的性能,专家们始终将TIST-Net排名高.
• 通过有效地解开内容和风格,成功生成了现实的DCE-MRI图像.

结论:

• 通过利用时空信息,TIST-Net有效地从现有图像中生成新的DCE-MRI数据.
• 该方法显示了为深度学习模型扩展有限的培训数据集的巨大潜力.
• 这种技术可以提高用于DCE-MRI图像注册和细分的模型的性能.