在3D CycleGANAN的未配对小鼠微型CT扫描中,用于改善脏细分的解剖学受约束合成
1Department of Radiation Oncology, University of California San Francisco, United States of America.
Biomedical physics & engineering express
|August 2, 2024
概括
这项研究引入了一个CycleGAN模型,从未增强的扫描中创建虚拟对比增强的CT扫描,显著提高在临床前研究中的小鼠脏自分区精度.
科学领域:
- 医疗成像医学成像
- 人工智能在临床前研究中的应用
- 计算解剖学的计算解剖学
背景情况:
- 在小鼠微型计算机断层扫描 (micro-CT) 中的自动细分对于临床前研究效率至关重要,但受到脏等低对比度器官的挑战.
- 对比剂可以提高器官的可见性,但会使实验工作流程复杂化,并降低可行性.
- 现有的方法在未经增强的扫描中难以准确对形态复杂的器官进行细分.
研究的目的:
- 开发一个3D循环生成对抗网络 (CycleGAN) 模型,从未增强的本地CT (NACT) 扫描中合成对比度增强的CT (CECT) 图像.
- 利用合成的 CECT 洞察力来改善 NACT 数据集中的器官,特别是脏的自我细分.
- 通过减少对对比剂的依赖,提高临床前成像研究的可行性.
主要方法:
- 使用两个分辨率的未配对NACT和CECT数据集训练了一个3DCycleGAN模型,并结合了受解剖学约束的U-Net进行细分.
- 预先训练的U-Nets将主要器官细分为NACT和CECT数据集,指导使用解剖损失函数的CycleGAN训练.
- 在原始NACT和合成CECT扫描上使用子相似系数 (DSC) 和豪斯多夫距离 (HD95p) 评估了细分性能.
主要成果:
- 高分辨率NACT扫描显示了自动细分的改善,平均DSC从0.728增加到0.773,HD95p从1.19毫米减少到0.94毫米.
- 低分辨率NACT扫描显示出显著的好处,DSC从0.586增加到0.682,HD95p从3.46毫米减少到1.24毫米.
- 循环GAN方法有效地合成了CECT扫描,提高了脏的可见性,并实现了更精确的自我细分.
结论:
- 使用CycleGAN合成CET扫描可大大提高NACT数据集中的老鼠脏自分段精度.
- 这种由人工智能驱动的方法为在临床前成像中增强细分提供了实际解决方案,在这种情况下,对比剂是不可行的.
- 通过改进成像数据分析,解剖学受约束的CycleGAN方法具有促进临床前研究的巨大潜力.
