扩散概率与生成对抗模型,以减少乳房MRI中对比剂剂量的扩散概率

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 在基于MRI的乳腺癌查中降低对比剂剂量是可取的.
• 深度学习模型可能会在低剂量对比度增强的乳房MRI中增强信号.

研究的目的:

• 为了比较无声扩散概率模型 (DDPM) 和生成对抗网络 (GAN),用于重建低剂量对比度增强的乳房MRI减法图像.
• 评估DDPM和GAN在不同剂量降低水平 (25%,10%,5%) 的性能.

主要方法:

• 追溯分析50个具有增强病变的乳房和50个没有病变的检查.
• 用DDPM和GAN重建的图像与使用定量测量和放射性评估的原始图像进行比较.
• 放射科医生对重建质量和损伤明显性的偏好评估,以及对错误阳性率的评估.

主要成果:

• 放射科医生更喜欢使用5%剂量的GAN图像和使用25%剂量的DDPM图像.
• 在25%和10%剂量的GAN和DDPM之间,损伤明显度得分相似,但在5%剂量的GAN中,较高.
• 在所有测试剂量水平中,DDPM和GAN之间的错误阳性率没有显著差异.

结论:

• GAN和DDPM都显示出低剂量对比度增强乳腺MRI重建的潜力.
• 两种模型都没有在所有剂量水平和评估指标上表现出优越性.
• 需要进一步的研究来缓解假阳性和优化模型性能.