使用CycleGAN进行人工智能增强的PET/CT图像合成,以改善卵巢癌成像
Amir Hossein Farshchitabrizi1,2, Mohammad Hossein Sadeghi3, Sedigheh Sina2,3
1Namazi Hospital, Shiraz University of Medical Sciences, Shiraz, Iran.
Polish journal of radiology
|March 12, 2025
概括
生成对抗网络 (GAN) 显示出对正子发射断层扫描 (PET) 衰减校正的希望,可能减少辐射暴露. 这种深度学习方法可以提高PET成像质量,而不需要计算机断层扫描 (CT) 扫描.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 卵巢癌是女性癌症相关死亡的主要原因.
- 定子发射断层扫描 (PET) 对于早期癌症检测至关重要,提供代谢数据.
- 精确的减弱校正对于PET图像解释至关重要,通常依赖于计算机断层扫描 (CT).
研究的目的:
- 调查使用生成对抗网络 (GANs) 来进行PET图像减弱校正.
- 为了消除在PET扫描中需要额外的CT成像.
- 评估GANs在生成伪CT图像以进行衰减校正方面的有效性.
主要方法:
- 利用了55名卵巢癌患者的PET/CT数据.
- 评估了三个GAN架构:条件GAN,瓦瑟斯坦GAN和循环GAN.
- 使用平均平方误差 (MSE) 和平均绝对误差 (MAE) 评估统计性能.
主要成果:
- 循环GAN证明了有效的PET减弱校正和伪CT生成,准确度很高.
- 报告的MAE和MSE值为所有图像的2.15±0.34和3.14±0.56.
- 在CT重建中,获得了4.17 ± 0.96和5.66 ± 1.01的MAE和MSE.
结论:
- 深度学习,特别是GAN,有可能提高PET成像质量.
- 这种方法可以通过尽量减少CT使用来减少患者的辐射暴露.
- 为了广泛采用基于GAN的减弱校正,需要进一步的临床验证.
