一种无需静脉注射对比剂生成对比增强计算机断层扫描血管造影的深度学习方法
图像与视频处理
2020-03-04 v1 计算机视觉与模式识别
医学物理
摘要
对比增强计算机断层扫描血管造影（CTA）广泛用于心血管成像以获得动脉结构的无创视图。然而，对比剂与注射部位并发症以及肾毒性导致的对比剂肾病（CIN）和肾衰竭相关。我们假设从非对比 CT 获取的原始数据包含足以区分血液与其他软组织成分的信息。我们利用深度学习方法界定软组织成分间的细微差异，以在无对比剂情况下模拟对比增强 CTA。从一项获批临床研究随机选取 26 名具有配对非对比与 CTA 图像的患者。从 10 名患者 AAA 内非对比轴位切片（n = 100）采样管腔、腔内血栓与界面位置的底层 Hounsfield 单位（HU）分布。这些区域 HU 采样显示所有区域间存在显著差异（所有比较 p<0.001），确认了这些区域间放射组学特征的内在差异。为生成大型训练数据集，来自训练集（n=13）的配对轴位切片被增广以产生共 23,551 张 2-D 图像。我们训练了一个 2-D Cycle 生成对抗网络（cycleGAN）用于此非对比到对比（NC2C）转换任务。cycleGAN 输出的准确性通过与对比图像比较评估。该流程能区分非对比 CT 图像中视觉上不连贯的软组织区域。由非对比图像生成的 CTA 与真值高度相似。我们在此描述了生成对抗网络用于 CT 图像处理的新应用。这有望颠覆需要对比增强 CT 成像的临床路径。
引用
@article{arxiv.2003.01223,
title = {A Deep learning Approach to Generate Contrast-Enhanced Computerised Tomography Angiography without the Use of Intravenous Contrast Agents},
author = {Anirudh Chandrashekar and Ashok Handa and Natesh Shivakumar and Pierfrancesco Lapolla and Vicente Grau and Regent Lee},
journal= {arXiv preprint arXiv:2003.01223},
year = {2020}
}
备注
7 Pages, 6 Figures