改善腹部超声波模拟的现实性,结合分段导向损失和极坐标训练
Santiago Vitale1,2, José Ignacio Orlando1,2, Emmanuel Iarussi1,3
1National Scientific and Technical Research Council (CONICET), Buenos Aires, Argentina.
Medical physics
|March 30, 2025
概括
这项研究引入了超声波模拟的新框架,提高了医学专业人员培训中的解剖学准确性和现实性. 该方法增强生成的图像,减少文物,并确保更好的诊断培训的一致性.
科学领域:
- 医疗模拟 医疗模拟
- 医学成像医学成像
- 医学中的人工智能
背景情况:
- 超声波 (美国) 模拟对于培训医生和医学学生在图像采集和解释方面至关重要.
- 目前的模拟器提供现实主义,但可能缺乏解剖学准确性或引入不一致性.
- 深度学习模型提高了现实性,但往往在解剖学忠实性方面扎.
研究的目的:
- 为基于物理的腹部美国模拟开发一种新的框架,以减少生成对抗网络 (GAN) 中的幻觉.
- 在模拟的美国图像中提高解剖学准确性和现实性,确保一致性和文物减少.
- 在视野 (FoV) 内外产生解剖学正确的图像.
主要方法:
- 引入了使用预训练的Unet模型来强制执行解剖学一致性的分段引导损失.
- 应用于GAN培训的极坐标,以限制视野的非空白区域.
- 在真实和模拟的美国腹部图像的未配对数据集上进行评估,使用FID,KID和Chi-squared组图距离进行定量评估.
主要成果:
- 与CycleGAN相比,Frechet和Kernel Inception距离 (FID和KID) 显著减少了66%和89%,与UVCGANv2.2相比减少了34%和59%.
- 在真实和模拟的肝脏和胆囊图像之间没有观察到回声性分布的显著差异.
- 一项用户研究显示,模拟扫描在36.2%的病例中欺骗了专家放射科医生,优于其他方法.
结论:
- 拟议的细分导向,极坐标训练的CycleGAN框架有效地减少了腹部美国模拟中的幻觉.
- 该方法确保了解剖学一致性和现实主义,超越了现有的生成方法.
- 这一进步为医学培训的超声波解释提供了更可靠的工具.
