无人监督的域名适应与反面的学习 (UDAA) 对于心脏CT扫描中的EMPHYSEMA亚型:桌面研究
Jie Yang1, Thomas Vetterli1, Pallavi P Balte2
1Department of Biomedical Engineering, Columbia University, NY, USA.
Proceedings. IEEE International Symposium on Biomedical Imaging
|October 14, 2024
概括
这项研究引入了一个深度学习框架,用于在心脏CT扫描上识别肺气,克服图像质量的限制. 这使得随着时间的推移,对肺气的进展进行了强大的,大规模的分析.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺气的量化确定在全肺高分辨率CT扫描 (HRCT) 上.
- 将这些工具适应心脏CT扫描是困难的,因为分辨率较低,纹理模式退化.
- 心脏CT扫描覆盖了大约70%的肺体积,这使得它们对人口研究有价值.
研究的目的:
- 开发一个深度学习领域适应框架,用于对心脏CT扫描进行肺瘤标记.
- 从HRCT扫描中利用先前存在的肺纹理图案 (LTP) 词典进行心脏CT分析.
- 利用心脏CT数据,对肺瘤进展进行强大,大规模的纵向研究.
主要方法:
- 提出了一个原创的深度学习框架,利用卷积神经网络 (CNN).
- 在合成心脏图像上使用员工监督的肺部纹理分类.
- 利用对抗式学习来区分真实和合成的心脏图像,结合分类任务.
主要成果:
- 该框架在MESA队列 (N = 15,357) 的真实心脏CT扫描上成功标记了肺瘤区域.
- 来自对抗训练的图像特征在合成扫描上保持了标签准确性.
- 来自4,315对纵向心脏CT扫描对的肺纹理图案 (LTP) 组图签名显示,随着时间的推移和扫描器代的跨越,具有很高的一致性.
结论:
- 拟议的深度学习框架有效地将肺气量化工具与心脏CT扫描相适应.
- 这种方法能够对肺质纹理模式进行强大的标记,克服图像质量方面的挑战.
- 这种方法促进了大规模的纵向研究,以更好地了解肺瘤疾病的进展.
更多相关视频
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
538
09:57Development and Evaluation of 3D-Printed Cardiovascular Phantoms for Interventional Planning and Training
Published on: January 18, 2021
4.0K
