从CT中同时合成输液和通风图像,使用双解码器残留注意网络进行肺病诊断

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 肺部医学 肺部医学

背景情况:

• 深度学习模型可以从CT扫描中创建肺功能图像.
• 以前的方法只能预测通风或输液,限制了完整的肺功能评估.

研究的目的:

• 开发一个深度学习框架,用于从3D CT.同时生成肺 perfusion 和通风图像.
• 与现有方法相比,评估这种新型框架的性能.

主要方法:

• 一个双解码器残留注意网络 (DDRAN) 设计用于同时从3D CT.生成输液和通风图像.
• 使用SSIM,Rs和DSC等指标评估图像质量和功能一致性.
• 一项读者研究评估了合成图像的临床可接受性和诊断潜力.

主要成果:

• 在产生 perfusion 和 ventilation 图像方面,DDRAN 模型的性能与单个解码器模型相美.
• 高结构相似性指数 (SSIM) 和斯皮尔曼等级相关系数 (Rs) 值显示强烈一致.
• 合成图像显示出良好的功能一致性 (DSC),并被认为可接受临床审查,显示出诊断潜力.

结论:

• 双解码器剩余注意网络成功实现了3DCT肺 perfusion 和通风图像的同时合成.
• 该模型实现了中等至高的结构和功能一致性,与单个解码器方法相比.
• 合成图像具有精确诊断和指导功能性肺避开放射治疗的潜力.