使用基于GAN的深度学习框架,从冠状视图中生成沙吉塔X射线图的可行性,用于青少年异常学脊椎病的深度学习框架
Tito Bassani1, Andrea Cina2,3, Fabio Galbusera2
1IRCCS Istituto Ortopedico Galeazzi, Milan, Italy. tito.bassani@grupposandonato.it.
European radiology experimental
|January 29, 2025
概括
生成性对抗性网络可以从冠状视图中创建合成沙吉塔放射图,用于青少年异常学脊椎病 (AIS) 监测. 然而,生成的图像虽然在视觉上是一致的,但缺乏准确的临床评估的质量,除了斜视垂直轴测量外.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 尽量减少辐射暴露对于青少年异常学脊椎病 (AIS) 监测至关重要.
- 生成对抗网络 (GAN) 可以产生高质量的合成医疗图像.
- 这项研究研究了GANs,用于从AIS患者的冠状视图中生成沙吉塔X射线图.
研究的目的:
- 从现有的冠状视图中探索GANs在生成合成斜腰脊柱放射图中的实用性.
- 评价GAN生成的斜腰放射图的质量和准确性,用于AIS中的临床参数测量.
- 评估AI在AIS监测期间减少辐射暴露的潜力.
主要方法:
- 使用了3935名AIS患者的EOS系统放射 (冠状和状) 数据集.
- 一个GAN模型被训练,从冠状视图生成斜视图,使用真实的斜视图作为参考.
- 放射科医生手动测量了来自100名随机选择的受试者的真实和合成图像上的关键脊柱参数 (LL,SS,PI,SVA).
主要成果:
- GANs生成了视觉上一致的合成斜肌放射图.
- 合成图像的类内相关系数从0.83到0.88.8不等.
- 真实和合成参数之间的相关性在SVA (0.74) 和LL (0.52) 中最高,但在SS (0.17) 和PI (0.18) 中较低.
- 对于LL,SS,PI和SVA的平均绝对误差在某些参数 (特别是SVA) 中处于可以接受的范围内.
结论:
- 通过GAN生成的合成斜射线图显示与真实图像的视觉一致性.
- 目前合成图像的质量不足以在AIS中进行可靠的临床参数评估,除了SVA.
- 需要在人工智能领域取得进一步的进步,以提高AIS监控的合成放射图的诊断准确度.
