在一个人形幻影中协调CT扫描仪采集变异性:使用GAN,ComBat和它们的组合,对图像级和特征级协调的比较研究
Shruti Atul Mali1, Nastaran Mohammadian Rad1, Henry C Woodruff1,2
1The D-Lab, Department of Precision Medicine, GROW- Research Institute for Oncology and Reproduction, Maastricht University, Maastricht, Netherlands.
PloS one
|May 9, 2025
概括
使用ComBat进行特征级协调,与图像级生成对抗网络 (GAN) 相比,显著提高了放射性特征稳定性和组织分类准确性. 在计算机断层扫描 (CT) 放射学中,ComBat提高了可复制性和诊断性能.
科学领域:
- 医学成像分析分析 医学成像分析
- 辐射学和精密医学
- 计算病理学计算病理学
背景情况:
- 放射学量化医疗图像用于精准医学.
- 计算机断层扫描 (CT) 的放射性特征对扫描仪和协议的变化很敏感.
- 协调对于可靠的放射性分析至关重要.
研究的目的:
- 评估图像级 (生成对抗网络 - GAN) 和特征级 (ComBat) 协调方法,用于CT放射学.
- 评估这些方法对组织分类准确性和特征稳定性的影响.
- 探索GANs和ComBat.bat的综合方法.
主要方法:
- 在具有不同组织类型的人类形象幻影上,CT重建参数的变化.
- 应用GAN进行图像级协调,ComBat进行特征级协调.
- 提取 93 质地和强度特征,评估可复制性 (CCC) 和分类性能 (AUC).
主要成果:
- 康巴特可再生性提高了31.58%和稳定性提高了5.24%.
- GANs增加了8%的可再生性,但降低了4.33%的稳定性.
- 康巴提升了平均AUC15.19%,而GANs则降低了AUC2.56%
结论:
- 在功能稳定性和分类性能方面,ComBat表现出卓越的统计改进.
- 虽然GAN提供了定性图像协调,但缺乏ComBat.com的统计稳定性.
- 功能层面的协调对于提高放射学的可靠性和诊断实用性至关重要.
更多相关视频
06:33Construction of a Preclinical Multimodality Phantom Using Tissue-mimicking Materials for Quality Assurance in Tumor Size Measurement
Published on: July 29, 2013
11.2K
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.5K
