呼吸视觉网:一个肺功能引导的CNN-变压器混合模型,用于呼吸CT图像合成
Tiande Zhang1, Haowen Pang2, Yanan Wu3
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China; Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Northeastern University, Shenyang, China.
Computer methods and programs in biomedicine
|November 21, 2024
概括
一个新的AI模型,BreathVisionNet,从启发性CT扫描中合成了呼气式CT扫描,通过量化表型而改善慢性阻塞性肺病 (COPD) 诊断,而无需额外的辐射暴露.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 慢性阻塞性肺病 (COPD) 呈现出显著的异质性.
- 呼吸道CT对于评估COPD的空气捕获是有价值的,但由于辐射和成本问题,它不经常使用.
- 现有的合成呼气CT的方法往往忽视了患者特定的肺功能.
研究的目的:
- 开发一种新型模型,即BreathVisionNet,用于利用肺功能数据从吸入式CT合成呼气式CT.
- 利用CNN-Transformer架构来增强对COPD患者数据的理解.
- 为了使用合成的CT数据来定量COPD表型.
主要方法:
- BreathVisionNet将肺功能数据与启发性CT扫描集成在一起.
- 一个CNN-Transformer架构捕捉了全球和本地图像背景.
- 参数响应映射 (PRM) 由合成和启发性CT估计,以量化COPD表型 (正常,肺气,fSAD).
主要成果:
- 与其他生成模型相比,BreathVisionNet表现出优越的合成图像质量.
- 预测PRM的高准确性,子系数为0.732对于肺气和0.560对于fSAD.
- 该模型显示了不同辐射剂量的通用性,并在预测COPD存在时达到89.1%的准确性.
结论:
- BreathVisionNet准确地合成了呼气CT图像,并预测了来自呼气CT的声音分布.
- 综合的数据有助于量化COPD表型,为疾病多样性提供了洞察力.
- 这种方法提供了有价值的诊断信息,仅使用启发性CT扫描.
