开发头对头和纵向CycleGAN算法用于MRI协调:在脑转移患者的随访MRI评估中验证
Hosung Hwang1, Hyeon-Ung Choi1, Hyunjae Jeong2
1Department of Radiology, Seoul National University College of Medicine, Seoul, Republic of Korea.
Scientific reports
|March 12, 2026
概括
循环GAN深度学习协调不同扫描仪的MRI扫描,改善大脑转移患者的后续评估. 这种技术减少了扫描器间的变异性,可能减少疾病进展的错误阳性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 磁力共振成像扫描仪间变异性对脑转移的纵向研究提出了挑战.
- 现有的协调方法缺乏关注随访MRI的临床实用性.
研究的目的:
- 开发和验证基于CycleGAN的深度学习算法,用于MRI协调.
- 评估该算法的临床实用性,以减少纵向脑转移随访的扫描器间变异性.MRI.
主要方法:
- 训练了一个头对头和纵向CycleGAN深度学习算法.
- 该算法协调了后续 (FU) 后对比 3D T1W MR 图像,以匹配基线 (BL) 图像.
- 验证涉及比较图像相似性,对比度和噪声比率 (CNRs),以及对不变的大脑转移病例的诊断信心.
主要成果:
- 与原始FU图像相比,协调的FU图像与BL图像的相似度得分较高.
- 在协调的FU图像中,大脑子区域的CNR差异减少了.
- 更多的病例在协调的FU图像上被评估为不变的,具有更高的诊断信心.
结论:
- 拟议的CycleGAN算法有效地协调不同扫描仪之间的MRI,以进行纵向大脑转移的随访.
- 这种技术可以减少诊断进展的虚假阳性,提高临床效用.


