AI-ADC:基于频道和空间注意力的对比学习,从T2WMRI生成ADC地图,用于前列腺癌检测
Kutsev Bengisu Ozyoruk1, Stephanie A Harmon1, Nathan S Lay1
1Artificial Intelligence Resource, Molecular Imaging Branch, National Cancer Institute, National Institutes of Health, Bethesda, MD 20892, USA.
Journal of personalized medicine
|October 25, 2024
概括
一个新的AI模型从T2加权的MRI中合成前列腺明显扩散系数 (ADC) 地图,克服运动和气体工件. 这种AI-ADC模型在生成准确的ADC地图方面表现出卓越的性能,以改善前列腺癌诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 前列腺MRI显微扩散系数 (ADC) 地图对于瘤的表征至关重要.
- 来自患者运动或直肠气体的图像工件可以降低ADC地图的准确性.
- 生成对抗网络 (GAN) 为合成准确的ADC地图提供了一个潜在的解决方案.
研究的目的:
- 开发一种新的生成对抗网络 (GAN) 方法,用于直接从T2加权MRI (T2W MRI) 合成ADC地图.
- 通过减轻常见的文物来提高前列腺MRI中ADC图的准确性和可靠性.
- 通过改善前列腺成像来提高临床诊断和放射学工作流程.
主要方法:
- 一个GAN模型,AI-ADC,是使用对比学习开发的,用于将轴向T2WMRI映射到ADC映射中.
- 该模型在506名未配对T2WMRI和ADC地图的患者的数据集上进行了训练.
- 人工智能ADC与最先进的方法进行了比较:CycleGAN,CUT和StyTr2.
主要成果:
- 与CycleGAN (0.855),CUT (0.797) 和StyTr2 (0.824) 相比,AI-ADC的结构相似性指数 (SSIM) 的平均值高于0.863.
- AI-ADC的Fréchet发射距离 (FID) 显著降低,为31.992,这表明生成质量优越.
- 对 ProstateX 数据集的外部验证显示,AI-ADC 性能优于其他模型,SSIM 为 0.647 和 FID 为 113.876.
结论:
- 拟议的AI-ADC模型有效地从T2WMRI生成高质量的ADC地图.
- 这种方法显示出提高前列腺癌诊断准确性的巨大潜力.
- 人工智能-ADC模型可以提高临床诊断和简化放射学工作流程.
