光&快速生成对抗网络用于肝脏瘤的高保真CT图像合成
Zechen Zheng1, Miao Wang1, Chao Fan2
1School of Information Science and Technology, Northwest University, Xi'an, 710127, China; The Xi'an Key Laboratory of Radiomics and Intelligent Perception, Northwest University, Xi'an, 710127, China.
Computer methods and programs in biomedicine
|June 6, 2024
概括
本研究引入了一种生成对抗网络 (GAN) 模型,通过生成现实的合成CT图像来改善肝细胞癌 (HCC) 诊断,解决数据不平衡,以改善查和预后模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 是一个重大的全球健康挑战,死亡率高.
- 目前对HCC的计算机辅助诊断 (CADx) 由于数据集不平衡而面临限制,特别是对于罕见的亚型和代表性不足的人群.
- 准确的查和预后模型对于推进HCC治疗至关重要.
研究的目的:
- 开发一种新的生成对抗网络 (GAN) 模型,用于合成现实的HCC CT图像.
- 克服HCC数据集中的数据不平衡问题,从而提高诊断和预后模型的准确性.
- 提高计算机辅助诊断和治疗策略对HCC的性能.
主要方法:
- 开发了一个新的梯度转移采样模块,以增强纹理细节和管理梯度参数.
- 集成了一个具有空间和跨频道特征提取能力的注意模块,以改善图像歧视.
- 设计了一个新的损失函数,以限制模型生成现实的肝脏瘤成像特征.
主要成果:
- 定性分析证实,合成图像与真实HCCCT扫描非常相似,具体涉及肝脏副体,血管和瘤.
- 量化指标达到最佳的FID为75.73,PSNR为22.77和SSIM为0.74.这些指标都达到了最佳的FID.
- 在GAN增强数据上训练的分类模型显示出显著的改进:准确度增加21% - 34%,AUC增加0.29-0.33,特异性达到0.89.
结论:
- 拟议的GAN模型有效地产生高保真度合成HCCCT图像.
- 这种方法提供了一种具有成本效益和高效的方法,用于增强HCC分类和预后模型的培训数据.
- 这项研究表明,解决医疗AI对HCC的数据不平衡是一个有希望的解决方案.
