具有放射学监督的生成对抗网络用于产生肺损伤
IEEE transactions on bio-medical engineering
|August 29, 2024
概括
一个新的生成对抗网络 (GAN) 为医学成像研究创建了现实的肺病变. 这种AI模型产生了可控制大小和稳固性的病变,有助于虚拟试验和图像质量评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 现实的成像目标对于医学图像质量评估和虚拟临床试验至关重要.
- 数据驱动的损伤生成方法正在迅速发展,以满足这一需求.
研究的目的:
- 提出和评估一个生成的对抗网络 (GAN) 条件生成的肺病变.
- 为了能够对病变的大小和坚固度进行用户指定的控制.
主要方法:
- 开发了一个GAN架构,具有两个区分器 (体积数据和放射学特征).
- 雇员的瓦瑟斯坦损失与训练的梯度处罚.
- 利用公共的肺部CT数据库,用轮和注释的病变.
- 实施过度配置,多样性,条件一致性和财产分配相似性的定量评估.
主要成果:
- 产生的病变在视觉上类似于真实的病变.
- 在固体和非固体病变之间进行区分,其大小与指定的类别相符.
- 在生成的和真实的病变中实现了类似的分类准确性.
- 在生成和真实病变 (低KL分歧) 之间展示了放射性特征的相似分布.
- 展示了双向放射学特征之间的可比相关性.
结论:
- 拟议的GAN是产生现实的肺病变的有希望的方法.
- 产生的病变具有临床相关的特征,对于医学成像系统评估至关重要.
- 该方法支持虚拟临床试验和图像质量评估工具的开发.
