预测大鼠腰椎断模式作为合成μCT图像使用深度卷积生成对抗网络
Allison Tolgyesi1, Cari Whyne2, Michael Hardisty3
1Orthopaedic Biomechanics Laboratory, Sunnybrook Research Institute, 2075 Bayview Avenue, Toronto, ON, M4N 3M5, Canada; Institute of Biomedical Engineering, Faculty of Engineering, University of Toronto, 164 College Street, Toronto, ON, M5S 3G9, Canada.
概括
这项研究开发了一个3D条件生成对抗网络 (cGAN),以创建小鼠腰椎骨折的合成微型CT图像. 该模型准确地预测了骨衰竭模式,显示了模拟生物损伤的前景.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 预测骨折模式对于了解骨疾病和损伤机制至关重要.
- 微计算机断层扫描 (μCT) 提供高分辨率的骨结构3D成像,但生成合成骨折图像是具有挑战性的.
- 深度学习 (DL) 提供了创造现实的合成医学图像的潜力.
研究的目的:
- 开发和验证一个3D条件生成对抗网络 (cGAN),用于预测大鼠腰椎骨折模式.
- 使用DL生成骨折脊椎的合成3DμCT图像.
- 评估模型在轴向压缩负荷下模拟骨衰竭的能力.
主要方法:
- 一个3D cGAN模型是使用连续的3D μCT图像来开发的,用于在轴承负荷下对大鼠腰椎进行测试.
- 进行了三个预测实验:卸载到1500微米位移,1500微米到断裂,以及卸载到断裂.
- 模型的性能使用定量指标 (DSC,Jaccard,FID,SSIM) 和骨折位置和严重程度的定性评估来评估.
主要成果:
- 无负载到1500微米的实验产生了现实的负载脊椎图像,保持了转移性疾病的存在,并实现了最佳的定量指标.
- 在FID和SSIM指标上,1500微米到断裂的实验在FID和SSIM指标上表现优于未加载到断裂的实验.
- 1500微米到骨折的实验显示,骨折预测准确度有所提高 (更多的真阳性,更少的假阴性),假阳性率低 (<10%).
结论:
- 开发的cGAN成功地生成了真实的3DμCT图像,显示了老鼠的腰椎功能失效模式.
- 该模型对未来的生成DL应用在模拟生物结构的损伤行为方面显示出重大前景.
- 使用合成成像的骨折预测建模可以推进骨生物力学和疾病进展的研究.
