使用cGANs生成动态腹部MRI图像:用于各种呼吸模式的概括模型,具有广泛的评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射疗法是一种放射治疗.

背景情况:

• 在腹部干预期间的器官运动限制了治疗的准确性.
• 在手术期间用于指导的成像增加了手术时间和辐射暴露.
• 开发方法来减少手术内成像对于患者的安全和治疗效率至关重要.

研究的目的:

• 实施条件生成对抗网络 (cGAN) 用于使用外部腹部运动生成动态磁共振成像 (dMRI).
• 研究不同的cGAN模型,以提高dMRI产生的运动质量.
• 客观和主观地评估生成的dMRI序列的质量.

主要方法:

• 条件生成对抗网络 (cGAN) 使用外部腹部运动作为呼吸变异的替代信号进行训练.
• 评估了多个发电机模型,以增强合成dMRI中的运动表示.
• 使用结构相似度指数 (SSIM) 和平均绝对误差 (MAE) 进行客观评估.
• 与32名临床专家进行主观评估,评估静态图像和动态序列的真实性.

主要成果:

• 性能最好的cGAN模型实现了0.73 ± 0.13的SSIM.
• 运动预测的平均绝对误差 (MAE) 低于4.5毫米 (上下) 和1.8毫米 (前后).
• 超过50%的合成图像和动态序列被临床专家认为是真实的.

结论:

• 使用cGANs生成的合成动态MRI显示了减少手术内成像需求的潜力.
• 这种方法可以减少腹部瘤干预期间的手术时间和辐射暴露.
• 开发的框架为放射治疗中的实时运动管理提供了一个有希望的替代方案.