定量生物标志物可再生性使用一般性的反作用方法在减少到常规剂量CTCT

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:

• 生成对抗网络 (GAN) 越来越多地用于医学图像对图像的翻译,有条件的GAN (cGAN) 和CycleGAN在合成不同模式的现实图像方面取得了成功.
• 目前基于GAN的医学图像合成的验证方法主要依赖于定性评估和传统指标,如平均绝对误差 (MAE) 和结构相似性 (SSIM) 指数.
• 在评估这些合成图像是否保留了临床相关的诊断信息和定量生物标志物方面存在着重大差距.

研究的目的:

• 通过评估它们对临床相关指标和生物标志物的影响,证明验证医学图像对图像翻译技术的关键重要性.
• 评估基于GAN的合成在保持临床诊断必不可少的定量测量的可靠性.

主要方法:

• 实施了条件 (cGAN) 和无条件 (CycleGAN) 的生成对抗网络方法,用于医疗图像合成.
• 从减少剂量CT数据中合成常规剂量胸部CT扫描.
• 通过使用传统指标 (MAE,SSIM) 和评估定量胸部生物标志物的可重复性来评估性能.

主要成果:

• 无论是cGAN还是CycleGAN模型,都可视化地产生了现实的合成胸部CT图像,最大限度地减少了根据传统指标的感知差异.
• 尽管视觉和传统的度量成功,但基于GAN的合成方法被发现在系统地复制各种胸部生物标志物的定量测量方面不可靠.
• 该研究强调了视觉真实性和诊断关键量化信息的保存之间的断开.

结论:

• 基于GAN的医学图像合成技术虽然在视觉上令人印象深刻,但需要严格的验证,超出标准指标,以确保临床效用.
• 保存定量生物标志物对于诊断准确性至关重要,并且在评估医疗图像翻译模型时必须成为主要重点.
• 未来的研究应该优先考虑开发包含临床相关性和生物标志物可重复性的验证框架.