一个域适应模型用于动脉超声波:图像协调,降低噪音,以及对心血管风险标志物的影响

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 超声波技术 超声波技术 超声波技术

背景情况:

• 医学成像的深度学习模型假定数据分布均,但扫描器设置和系统的变化会导致性能下降.
• 超声波图像经常呈现出不同的纹理和噪声,违反了模型假设,限制了跨平台适用性.

研究的目的:

• 开发一个基于生成对抗网络 (GAN) 的模型,用于图像协调和排斥 carotid 超声波.
• 通过图像对图像翻译方法来调整纹理图案并减少超声波图像中的噪声,同时保留解剖内容.

主要方法:

• 通过使用GAN. 制定图像协调和无效化作为图像到图像翻译任务.
• 使用特征分布,像素空间相似度指标和血液与组织对比度来评估性能.
• 评估了对计算风险标志物的影响,特别是灰度尺度中位数 (GSM).
• 将拟议的模型与CycleGAN进行了比较,这是一个最先进的方法.

主要成果:

• 在调和 (0.920) 和denoising (0.844) 中成功实现了域名适应,表现优于没有适应.
• 保存了解剖完整性,由高结构相似度指数测量 (例如动脉壁0.71) 证明.
• 在消除噪音的任务中,显著降低了噪音 (对比度从 -23.5 提高到 -46.7 dB).
• 在协调和撤销任务方面表现优于CycleGAN.
• 在降噪过程中观察到GSM风险标记的显著变化,但没有协调.

结论:

• 域翻译模型,如拟议的GAN,对于提高超声波图像质量而保持解剖学准确性是有效的.
• 虽然对图像质量有好处,但这些模型可能会影响下游风险标记计算,需要仔细考虑.