基于深度学习模型的生成对比增强用于数字减去血管学,使用文本调节的图像对图像模型
Takeshi Takata1, Kentaro Yamada2, Masayoshi Yamamoto3
1Advanced Comprehensive Research Organization, Teikyo University, Tokyo, 173-0003, Japan.
Computers in biology and medicine
|June 21, 2025
概括
生成型深度学习增强了数字减去血管学 (DSA) 的对比度,改善了血管可视化. 这种人工智能技术为更清晰的成像提供了潜力,特别是对于需要减少对比剂的患者.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 干预性放射学 干预性放射学
背景情况:
- 数字减去血管学 (DSA) 对于可视化血管至关重要.
- 减少DSA的对比度可以掩盖血管结构,这是慢性病 (CKD) 患者的一个重要问题,需要最小化对比剂以防止对比引起的病 (CIN).
研究的目的:
- 探索用于DSA的对比增强的生成深度学习模型.
- 为了提高DSA图像中的血管结构的清晰度,特别是在低对比度的场景中.
主要方法:
- 开发了一个以文本为条件的图像对图像模型,使用稳定扩散与ControlNet和低级适应.
- 在1207 DSA系列上训练并测试模型,使用数据增强用于低对比度图像.
- 使用包括RMS对比度,迈克尔森对比度,SNR和度在内的指标来评估性能.
主要成果:
- 在RMS对比度 (7.91至17.7),迈克尔森对比度 (0.875至0.992) 和 (3.60至5.60) 中观察到显著改善,表明细节增强.
- 信号噪声比 (SNR) 从21.3降至8.50,表明图像噪声增加.
结论:
- 基于深度学习的对比增强对DSA来说是可行的.
- 生成型深度学习模型显示出改善血管图像质量的前景.
- 需要进一步的研究来抑制人工制造物和临床验证以实现实际应用.
