共同独特的分解驱动扩散模型用于对比增强的肝脏MRI图像多相互转换
IEEE journal of biomedical and health informatics
|July 3, 2024
概括
这项研究引入了一种新的扩散模型 (CUDD-DM),用于生成缺失的对比增强 (CE) 阶段,用于肝脏瘤诊断. 该模型减少了成像时间,减少了对比剂的风险,并通过从两个其他阶段合成一个CE阶段来节省资源.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
背景情况:
- 增强对比度 (CE) 成像对于肝脏瘤诊断至关重要,需要多个阶段 (动脉,门静脉,延迟).
- 由于对比剂的风险,延长扫描时间和严格的成像协议,获得所有三个CE阶段都是具有挑战性的.
研究的目的:
- 开发一种新的共同独特的分解驱动扩散模型 (CUDD-DM),用于从两个已获取的阶段中合成一个缺失的CE阶段.
- 为了减少对比剂的使用,缩短患者的等待时间,并节省肝脏瘤成像中的医疗资源.
主要方法:
- CUDD-DM采用一个共同独特特征分解模块,使用光谱分解来捕捉相间的相关性和差异.
- 多尺度时间重置门模块选择性地使用历史切片信息来准确地划分病变.
- 扩散模型驱动的损伤细节合成模块确保精确捕获细节,克服传统生成对抗网络 (GAN) 的局限性.
主要成果:
- CUDD-DM在一般化CE肝瘤数据集上实现了最先进的性能.
- 与七种主要方法相比,结构相似性指数测量 (SSIM) 改进了至少2.2% (5.3%在损伤区域).
- 该模型有效地合成了缺失的CE阶段,保留了关键的诊断信息.
结论:
- CUDD-DM显著提升了对比度增强的肝脏瘤成像技术.
- 这种人工智能驱动的方法为优化CE成像协议,提高诊断准确性和提高患者安全提供了有前途的解决方案.
