CALIMAR-GAN:一种未配对的面具引导注意网络,用于CT扫描中的金属工件减少

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在CT扫描中,金属工件会降低图像质量,影响诊断的准确性.
• 深度学习 (DL) 方法用于金属工件减少 (MAR) 是有希望的,但往往会产生次要工件.
• 有限的真实临床数据限制了DL MAR方法的评估以定性分析.

研究的目的:

• 开发一个DL模型,用于CT扫描中有效的金属工件减少 (MAR).
• 解决现有 MAR 方法的局限性,包括二次工件和依赖配对数据.
• 为了在未配对的模拟和真实临床数据上对MAR进行定量评估.

主要方法:

• 开发了CALIMAR-GAN,这是一个生成对抗网络 (GAN),包含引导注意力和线性插值.
• 利用未配对的模拟和临床数据进行有针对性的工件减少.
• 使用峰值信号与噪声比率 (PSNR),结构相似性指数测量 (SSIM) 和弗雷切开始距离 (FID) 进行了定量评估.

主要成果:

• 在模拟图像上,CALIMAR-GAN实现了卓越的定量性能 (PSNR: 31.7,SSIM: 0.877,FID: 22.1).
• 在真实临床图像中,CALIMAR-GAN产生了最低的FID (32.7).
• 结果显示与基于像素的指标有很强的相关性,验证了其有效性 (r=-0.797与PSNR,p<0.01;r=-0.767与MS-SSIM,p<0.01).

结论:

• 在CT扫描中,CALIMAR-GAN有效地减少了使用未配对数据的金属工件.
• 该模型增强了图像保真度,支持临床实践并改善诊断和治疗结果.
• 这项工作推进了基于DL的MAR,为医学成像分析提供了有价值的工具.