基于三维C扫描的生成对抗网络,使用合成输入来改善光学连贯性断层扫描血管造影

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 血管生物学 血管生物学

背景情况:

• 光学连贯断层扫描血管造影 (OCTA) 图像通常会因噪音和斑点而退化.
• 现有的深度学习方法主要侧重于改进2D OCTA图像 (B 扫描或面对面).
• 从体积OCTA数据重建高质量的3D血管结构仍然是一个挑战.

研究的目的:

• 提出一种新的深度学习方法,用于从体积OCTA数据中重建高质量的3D血管结构.
• 充分利用体积OCTA数据和血管网络拓特征,以改善可视化.
• 在OCTA中增强深层血管的可视化.

主要方法:

• 开发了一个基于C扫描的三维生成对抗网络 (3DCS-GAN).
• 通过将面对面的OCTA图像叠加在杂的C-scan图像上来合成训练数据.
• 使用基于Pix2Pix的架构与生成器和区分器模型,结合感知损失 (内容和对抗性损失).
• 将算法逐步应用到剖析图像上,以减少噪音和增强血管可视化.

主要成果:

• 显著改善了横截面OCTA图像的对比度和噪声比.
• 极大地增强了深层血管的可视化,并澄清了3D血管拓.
• 与替代方法相比,证明了优越的图像增强.
• 成功应用于加强港口葡萄酒染色病研究的OCTA图像.

结论:

• 拟议的3DCS-GAN有效地改善了OCTA中的深层血管可视化.
• 与平均图像相比,实现了对体积OCTA数据的优越图像质量和增强.
• 验证了3DCS-GAN在临床研究和改进OCTA分析方面的潜力.