使用循环一致的生成对抗网络与注意力门相结合的预重建处理以改善数字乳腺图解合成中的图像质量

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:

• 数字乳腺断层合成 (DBT) 图像质量可能会受到文物和扭曲的影响.
• 预重建处理具有提高DBT图像质量的潜力.
• 生成对抗网络 (GAN) 提供先进的图像生成功能.

研究的目的:

• 提出和评估一个新的网络,剩余挤压和激发注意力门 (rSEAG),以提高DBT图像质量.
• 通过修改的cycleGAN架构来减少DBT图像中的扭曲和人工物.
• 与ResUNet和U-Net等传统网络相比,评估rSEAG的有效性.

主要方法:

• 修改了一个循环生成对抗网络 (cycleGAN) 发生器,通过整合剩余挤压和激发模块和注意力门.
• 使用无监督数据训练rSEAG网络,包括675个参考图像和675个对象投影图像.
• 通过基于感知的图像质量评估 (PIQE),纹理分析 (同质性,对比度) 和Gumbel分布统计建模来评估图像质量.

主要成果:

• rSEAG在PIQE分析中表现为低值,表明感知质量有所改善.
• 纹理分析显示rSEAG在"对比度"中与非循环GAN网络相比,但在密集的乳房中优于ResUNet和U-Net.
• 冈贝尔图片分析证实rSEAG有效地减少了高频波纹文物.

结论:

• 拟议的rSEAG网络通过减少扭曲,显著提高了数字乳腺图像合成的图像质量.
• rSEAG有效地减轻了高频波纹人工物,这是DBT成像中的一个常见问题.
• 这种新的注意力门机制集成到cycleGAN架构中,为增强的医疗图像重建提供了一个有前途的方法.