使用基于变压器的生成对抗网络预测自发性脑内出血中血液瘤变化的预测,以生成后续CT图像
Changfeng Feng1, Caiwen Jiang2, Chenxi Hu3
1Department of Radiology, Affiliated Hangzhou First People's Hospital, Westlake University School of Medicine, Hangzhou, Zhejiang, China; Department of Radiology, Hangzhou Children's Hospital, Hangzhou, Zhejiang, China.
概括
这项研究表明,转换器集成的生成对抗网络 (GAN) 可以通过生成后续CT图像,准确地预测自发脑内出血 (SICH) 患者的血液瘤生长. 人工智能模型与实际患者数据具有很高的相关性,有助于早期可视化变化.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 自发性脑内出血 (sICH) 是一种危急的情况,需要密切监测血瘤的扩张.
- 准确预测血瘤生长对于及时的临床干预和改善患者结果至关重要.
- 目前用于监测血瘤变化的方法涉及连续CT扫描,这可能并不总是捕捉快速的早期进展.
研究的目的:
- 开发和验证一个集成变压器的生成对抗网络 (GAN) 模型,用于在基线扫描后24小时内生成合成后续CT图像.
- 使用人工智能驱动的图像生成,可视化和评估sICH患者的血液瘤生长趋势.
- 评估生成的图像在预测语义和几何血瘤特性和扩张模式的准确性.
主要方法:
- 对来自两个医疗中心的sICH患者数据的回顾性分析,包括基线和随访CT扫描在24小时内.
- 利用变压器集成的GANs从基线扫描生成预测后续CT图像.
- 使用峰值信号与噪声比率 (PSNR) 和结构相似度指数 (SSIM) 测量图像质量的定量评估.
- 皮尔森的相关性分析来比较语义和几何特征,以及预测和真实后续图像之间的血瘤扩张.
主要成果:
- 生成的后续CT图像显示出高质量,平均PSNR为26.73 ± 1.11和SSIM为91.23 ± 1.10.
- 预测和真实图像之间观察到强烈的相关性 (r > 0.85),主要的血液瘤特征包括体积,横截面积和水扩张.
- 该模型准确预测了0.86 (95% CI:0.79,0.90) 的相关系数的血液瘤扩张.
结论:
- 变压器集成的GAN提供了一个准确的方法来可视化早期的血液瘤变化.
- 开发的模型显示了对血液瘤进展的非侵入性监测和预测的巨大潜力.
- 这种人工智能方法可以帮助临床医生评估血液瘤的动态,并为治疗决策提供信息.
