在乳腺MRI中模拟动态瘤对比增强,使用条件生成对抗网络.
Richard Osuala1,2,3, Smriti Joshi1, Apostolia Tsirikoglou4
1Universitat de Barcelona, Departament de Matemàtiques i Informàtica, Barcelona Artificial Intelligence in Medicine Lab (BCN-AIM), Barcelona, Spain.
Journal of medical imaging (Bellingham, Wash.)
|June 30, 2025
概括
乳腺MRI中的虚拟对比增强产生合成图像,有助于瘤检测和定位,而无需对比剂. 这项技术对具有禁忌的患者来说是有前途的,改善了乳腺癌的诊断和治疗.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于医学图像合成
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 深度生成模型和合成数据对于推进计算机辅助诊断和治疗至关重要.
- 乳房MRI中的虚拟对比增强为物理对比剂注射提供了一个有希望的替代方案.
- 物理对比剂是侵入性的,昂贵的,有时是禁用的,限制了诊断能力.
研究的目的:
- 用深度生成模型探索乳房MRI中虚拟对比增强的生成.
- 为了使病变局部化和分类,而无需物理对比剂注射.
- 帮助那些对比剂注射是禁忌的患者.
主要方法:
- 提出了合成数据属性的框架,并引入了规模化聚合量 (SAMe) 来进行评估.
- 利用条件生成对抗网络将非对比增强的T1加权MRI转换为DCE-MRI.
- 扩展模型以共同生成多个DCE-MRI时间点,并通过合成数据调查3D U-Net细分.
主要成果:
- 在评估生成模型时,SAME指标证明了它的价值.
- 虚拟对比注射显示了精确瘤检测和定位的潜力.
- 用合成数据增强的细分模型表现出对域移动的强度增加.
结论:
- 虚拟对比注射可以产生准确的合成DCE-MRI图像,提高乳腺癌诊断.
- 使用合成DCE-MRI检测,定位和细分瘤是可行的和有希望的,特别是对于高风险患者.
- 多个DCE-MRI序列的联合生成提高了图像质量,并使瘤响应的评估能够进行个性化治疗.


