调查基于生成对抗网络的深度学习的使用,以减少心脏磁共振中的运动人工物
Ze-Peng Ma1,2, Yue-Ming Zhu3, Xiao-Dan Zhang4
1Department of Radiology, Affiliated Hospital of Hebei University/ Clinical Medical College, Hebei University, Baoding, 071000, People's Republic of China.
Journal of multidisciplinary healthcare
|February 18, 2025
概括
生成对抗网络 (GAN) 在心脏MRI (CMR) 电影图像中显著减少了运动工件. 这种深度学习方法提高了图像质量,以便更好地进行临床诊断和CMR运动工件管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 运动器件是心脏磁共振 (CMR) 影像成像中的一个常见问题.
- 这些文物降低了图像质量,并可能阻碍准确的诊断.
- 深度学习为减少工件提供了潜在的解决方案.
研究的目的:
- 评估生成对抗网络 (GAN) 在减少CMR电影序列中的运动工件方面的有效性.
- 评估基于GAN的深度学习对图像质量指标和主观评估的影响.
主要方法:
- 在2000个模拟的清晰和模糊的CMR电影图像对上训练了一个深度学习GAN模型.
- 该模型在100个模拟和37个真实世界运动人工CMR图像上进行了测试.
- 图像质量使用峰值信号与噪声比率 (PSNR),结构相似度指数 (SSIM) 和焦点指标以及主观的利克特尺度等级来评估.
主要成果:
- GAN优化显著改善了模拟文物PSNR,SSIM和焦点测量.
- 模拟文物的主观评分从2.44增加到4.44 (P<0.001).
- 现实世界的人工制品显示了增强的焦点测量和主观评分从3.03提高到3.73 (P<0.001).
结论:
- 基于GAN的深度学习有效地减少CMR电影图像中的运动工件.
- 这项技术在优化CMR成像方面显示出临床应用的巨大潜力.
- 深度学习为改善CMR运动工件管理提供了一个有前途的工具.
