使用条件生成对抗网络 (cGAN) 计算虚拟的3D减去血管图
Sebastian Johannes Müller1, Eric Einspänner2,3, Stefan Klebingat2,4
1Clinic for Neuroradiology, Otto-Von-Guericke-University Magdeburg, Leipziger Str. 44, D-39120, Magdeburg, Germany. sebastian.mueller@med.ovgu.de.
BMC medical imaging
|October 15, 2024
概括
生成型人工智能可以模拟减去血管造影,减少辐射暴露. 这种人工智能方法显示的图像质量与传统方法相提并论,但可能会引入新的工件.
科学领域:
- 医学成像医学成像
- 放射学中的人工智能
- 血管成像 血管成像
背景情况:
- 减法血管造影需要两次扫描,增加患者的辐射剂量.
- 骨头和金属文物可以在标准血管学中掩盖血管.
- 生成型人工智能有潜力模拟减去血管造影,减少辐射暴露.
研究的目的:
- 评估条件生成对抗网络 (cGAN) 在模拟3D减去血管图的有效性.
- 为了确定人工智能生成的血管图是否保持图像质量和诊断准确性,同时减少辐射.
- 评估人工智能模型的文物减少和潜在的新文物引入.
主要方法:
- 一个有条件的生成对抗网络 (cGAN) 模型使用621个3D减去血管图进行了训练.
- 该模型是根据3D数据的pix2pix框架进行调整的.
- 人工智能生成的血管图与原始数据集进行了比较,由五名失明的神经放射学家进行了比较,评估了相似性,质量和文物.
主要成果:
- 与原始扫描相比,人工智能模拟的减去血管造影在图像质量或诊断准确度上没有显著差异.
- 人工智能生成的图像中减少了骨头和运动工件.
- 来自金属植入物的文物各不相同,这两种方法都没有明显的优势.
结论:
- 有条件的生成对抗网络可以有效地模拟临床使用的减去血管图.
- 这种人工智能技术有可能减少患者的辐射剂量.
- 模拟过程可能会引入需要进一步调查的新型文物.
