像素级变压器GAN用于增强DCEMRI分析的参数映射
Yuxi Jin1, Gengjia Lin2, Qian Yang3
1Research Center for Medical AI, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Medical physics
|September 2, 2025
概括
这项研究引入了一种深度学习模型VP-GAN, 这种方法可以通过稀疏的动态对比增强MRI数据生成高分辨率的参数图来改善癌症诊断.
科学领域:
- 医学成像
- 人工智能
- 癌症诊断
背景情况:
- 动态对比增强型MRI (DCE-MRI) 对于癌症诊断至关重要,因为它能揭示瘤的血管性.
- 传统的DCE-MRI需要高时间分辨率,导致信号对噪声和空间分辨率较低.
- 每个阶段的有限时间分配限制了传统DCE-MRI的详细分析.
研究的目的:
- 评估深度学习的可行性,以从稀疏的数据中生成密集的时间分辨率DCE-MRI参数图.
- 探索人工智能在提高DCE-MRI分析效率和质量的潜力.
- 通过利用稀疏的数据采集,克服传统的DCE-MRI的局限性.
主要方法:
- 一个视觉转换器Pix2Pix生成对抗网络 (VP-GAN) 已被开发用于将稀疏的DCE-MRI系列转换为密集相位的参数图 (Ktrans, ve).
- 该模型整合了视觉转换器和GAN以捕捉复杂的时间动态和空间特征.
- 使用PSNR,SSIM,皮尔森和布兰德-阿尔特曼分析,包括ROI组图分析,对现有的深度学习模型进行了评估.
主要成果:
- VP-GAN生成了与参考图像质量和数量一致的参数图.
- 与其他评估的深度学习方法相比,拟议的VP-GAN模型表现出卓越的性能.
- 比较分析证实了该模型在重建详细的成像特征方面的有效性.
结论:
- 开发的模型成功地将稀疏的DCE-MRI数据转换为来自密集相DCE-MRI的生理参数图.
- 这种方法使得使用显著更少的成像阶段进行可靠的DCE-MRI分析.
- 这些发现支持人工智能用于更高效和有效的癌症成像和监测.
