合成高b值扩散权衡的胃癌成像使用改进的视觉转换器循环GANAN

科学领域:

• 医疗成像中的人工智能
• 机器学习用于图像增强
• 放射学和诊断成像 放射学和诊断成像

背景情况:

• 扩散权重成像 (DWI) 对于在多参数MRI (mpMRI) 中检测和诊断胃癌至关重要.
• 目前的DWI技术遭受了解剖学扭曲和人工物,限制了临床实用性.
• 提高DWI质量通常需要先进的硬件和更长的扫描时间,突出需要更快,高质量的方法.

研究的目的:

• 为了开发和评估一个无监督学习框架,注意力双对比视觉转换器CycleGAN (ADCVCGAN).
• 为了提高胃DWI的图像质量,同时显著减少获取时间.
• 评估ADCVCGAN在产生与高b值DWI相比的合成DWI (s-DWI) 的有效性.

主要方法:

• ADCVCGAN框架使用高b值DWI (b=1200s/mm2) 来从获得的低b值DWI (a-DWI,b=800s/mm2) 中生成合成DWI (s-DWI).
• 包含一个CBAM关注模块和一个基于U-net的视觉变压器来改进功能和改善图像细节.
• 使用PSNR,SSIM,FSIM,MSE,WPSNR,WMSE进行定量评估,并通过Wilcoxon签名等级测试进行主观评估;ICC.评估的可重复性.

主要成果:

• 在所有定量指标 (PSNR,SSIM,FSIM,MSE,WPSNR,WMSE; p < 0.001) 中,ADCVCGAN产生的s-DWI显著超过a-DWI.
• 主观评估显示s-DWI和高b值DWI (b-DWI) 在病变可见性,解剖细节和整体质量 (p < 0.001) 中明显超过a-DWI,s-DWI和b-DWI之间没有显著差异.
• 在读者中,ADC和s-ADC值表现出可比的一致性和可重复性 (ICC:b-ADC 0.87-0.90;s-ADC 0.88-0.89).

结论:

• ADCVCGAN有效地提高了胃癌DWI质量,并减少了扫描时间.
• 该框架生成真实的s-DWI和可靠的s-ADC值,支持临床决策.
• 在改善DWI在胃癌诊断中的临床应用方面,ADCVCGAN显示出显著的希望.