IE-CycleGAN:改善了对不配对的PET图像增强的循环一致的对抗网络
Jianan Cui1, Yi Luo2, Donghe Chen3
1The Institute of Information Processing and Automation, College of Information Engineering, Zhejiang University of Technology, Hangzhou, China.
概括
这项研究引入了一种改进的CycleGAN模型,用于增强低质量的正子发射断层扫描 (PET) 图像. 该方法在没有配对数据的情况下实现高质量的PET图像转换,优于现有技术.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 图像处理 图像处理
背景情况:
- pozitron发射断层扫描 (PET) 扫描仪已经进步,产生更高质量的图像.
- 最先进的PET扫描仪昂贵,限制了它们在当地医院的可用性.
- 需要从普通扫描仪中增强低质量的PET图像,以匹配高质量的图像.
研究的目的:
- 开发一种方法来将低质量的PET图像转换为与最先进的扫描仪相比较的高质量图像.
- 为了实现这种增强,而不需要配对低质量和高质量的PET图像数据集.
主要方法:
- 提出了一种改进的CycleGAN (IE-CycleGAN) 模型,用于未配对的PET图像增强.
- 包含相关系数损失和患者特定的先前损失,以限制生成的图像结构.
- 利用一个普通X到高级培训策略来改善网络通用化.
主要成果:
- 通过IE-CycleGAN方法获得的结果与uEXPLORER数据集的监督方法相美.
- 在当地的医院数据集上,IE-CycleGAN显示了与NLM,BM3D和DIP相比,优越的对比度与噪声比率 (CNR) 和瘤与背景SUVmax比率 (TBR).
- 该方法在来自不同扫描仪的图像上表现优于监督的Unet和CycleGAN,这表明强烈的泛化.
结论:
- 拟议的未配对PET图像增强方法超过了传统技术,如NLM,BM3D和DIP.
- 与监督方法相比,IE-CycleGAN在当地医院数据集上的表现优越,突出了其概括能力.
- 这种方法为改善资源有限的环境中的PET图像质量提供了可行的解决方案.
