MAN-GAN:基于面具适应性规范化的生成对抗网络,用于肝脏多相CT图像生成

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 肝脏多相增强计算机断层扫描 (MPECT) 对于诊断至关重要,但面临局限性.
• 生成MPECT图像通常需要对比剂,带来风险和局限性.

研究的目的:

• 开发一个深度学习网络,用于从非对比CT扫描中自动生成MPECT图像.
• 评估拟议的深度学习模型的性能和临床实用性.

主要方法:

• 开发了一个基于面具适应性规范化的生成对抗网络,具有循环一致性损失 (MAN-GAN).
• 该模型在多个数据集上进行了训练和验证,包括内部和外部验证集.
• 用最先进的方法进行比较分析和放射科医生评估.

主要成果:

• 在所有三个阶段,MAN-GAN在生成MPECT图像方面表现优于基线和其他最先进的方法.
• 生成的图像显示出高于平均水平的质量,与真实MPECT图像具有令人满意的相似性.
• 在内部和外部数据集中验证了性能.

结论:

• MAN-GAN成功地将非对比CT图像转换为MPECT图像,证明了可行性和最先进的性能.
• 该模型为肝脏CT成像中的对比度相关限制提供了潜在的解决方案.
• 这种方法具有显著的潜力,可以帮助涉及肝脏CT分析的临床场景.