结合三种不同深度学习模型生成心包脂肪计数图像
图像与视频处理
2023-07-26 v2 计算机视觉与模式识别
摘要
目的与背景：心包脂肪(PF)是环绕心脏胸腔内脏脂肪，通过诱发冠状动脉炎症促进冠心病的发展。为评估PF，本研究旨在利用专用深度学习模型从胸部X线摄影(CXR)生成心包脂肪计数图像(PFCI)。材料与方法：回顾269例连续接受冠状动脉计算机断层扫描(CT)患者的数据。排除有金属植入物、胸腔积液、胸外科手术史或恶性肿瘤史的患者。因此，使用了191例患者的数据。PFCI由三维CT图像投影生成，其中脂肪堆积以高像素值表示。所提方法结合包括CycleGAN在内的三种不同深度学习模型，从CXR生成PFCI。使用单一基于CycleGAN的模型从CXR生成PFCI，以与所提方法比较。为评价生成PFCI的图像质量，比较了(i)所提方法生成的PFCI与(ii)单一模型生成的PFCI的结构相似性指数测度(SSIM)、均方误差(MSE)和平均绝对误差(MAE)。结果：所提模型的平均SSIM、MSE和MAE分别为0.856、0.0128和0.0357；单一基于CycleGAN的模型分别为0.762、0.0198和0.0504。结论：所提模型从CXR生成的PFCI优于单一模型。所提方法或可实现无需CT的PFCI评估。
引用
@article{arxiv.2307.12316,
title = {Development of pericardial fat count images using a combination of three different deep-learning models},
author = {Takaaki Matsunaga and Atsushi Kono and Hidetoshi Matsuo and Kaoru Kitagawa and Mizuho Nishio and Hiromi Hashimura and Yu Izawa and Takayoshi Toba and Kazuki Ishikawa and Akie Katsuki and Kazuyuki Ohmura and Takamichi Murakami},
journal= {arXiv preprint arXiv:2307.12316},
year = {2023}
}