基于扩散模型和 Swin Transformer 的 CT 尿路造影中的 3D 肾影像合成
计算机视觉与模式识别
2025-02-28 v1 人工智能
摘要
目的：本研究旨在开发和验证一种方法，用于合成 CT 尿路造影（CTU）检查中的 3D 肾性相图像，方法采用集成了 Swin Transformer 的深度学习方法的扩散模型。材料与方法：本回顾性研究经当地机构审查委员会批准。 curated 由 327 名接受三相 CTU 检查的患者（平均年龄 ± 标准差为 63 ± 15 年；男性 174 例，女性 153 例）组成的数据集，用于开发深度学习模型。每个患者的三个相位均采用仿射配准算法对齐。开发并实现了一种自定义深度学习模型，称为 dsSNICT（diffusion model with a Swin transformer for synthetic nephrographic phase images in CT），用于合成肾性相图像。评估指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）、平均绝对误差（MAE）以及 Fréchet 视频距离（FVD）。对两个专科医生进行了定性评估。结果：我们提出的方法生成的合成肾性相图像取得高的 PSNR（26.3 ± 4.4 dB）、SSIM（0.84 ± 0.069）、MAE（12.74 ± 5.22 HU）和 FVD（1323）。两位放射科医生对真实图像给出平均分为 3.5，对合成图像给出平均分为 3.4（P 值 = 0.5），在 1-5 的 Likert 比例尺上表明，合成图像与真实图像高度相似。结论：本文中提出的方法有效地合成了高质量的 3D 肾性相图像。该模型可用于在不牺牲图像质量的前提下降低 CTU 的辐射剂量 33.3%，从而提高了 CT 尿路造影的安全性和诊断效用。
引用
@article{arxiv.2502.19623,
title = {3D Nephrographic Image Synthesis in CT Urography with the Diffusion Model and Swin Transformer},
author = {Hongkun Yu and Syed Jamal Safdar Gardezi and E. Jason Abel and Daniel Shapiro and Meghan G. Lubner and Joshua Warner and Matthew Smith and Giuseppe Toia and Lu Mao and Pallavi Tiwari and Andrew L. Wentland},
journal= {arXiv preprint arXiv:2502.19623},
year = {2025}
}
备注
15 pages, 6 figures, 3 tables