GANDA：一种深度生成对抗网络逐像素预测肿瘤内纳米颗粒的空间分布
图像与视频处理
2021-07-06 v2 计算机视觉与模式识别
机器学习
摘要
肿瘤内纳米颗粒（NPs）分布对纳米医学在成像与治疗中的成功至关重要，但由于复杂的肿瘤-纳米相互作用，描述 NPs 分布的计算模型仍属空白。在此，我们开发了用于分布分析的生成对抗网络（GANDA, Generative Adversarial Network for Distribution Analysis）来描述并在条件约束下生成静脉注射后肿瘤内量子点（QDs）的分布。该深度生成模型由从 4T1 乳腺癌切片全切片图像中分解出的 27 775 个肿瘤血管与细胞核图块自动训练得到。GANDA 模型可在给定肿瘤血管与细胞核通道的约束下，以相同空间分辨率（像素到像素）条件生成肿瘤内 QDs 分布图像，具有最小损失（均方误差，MSE = 1.871）与优异可靠性（组内相关系数，ICC = 0.94）。无需知晓真实 QDs 分布，即可在生成图像上定量分析了 QDs 外渗距离（ICC = 0.95）与子区域分布（ICC = 0.99）。我们相信该深度生成模型可为研究影响因素如何作用于个体肿瘤中的 NPs 分布，并指导分子成像与个性化治疗中的纳米医学优化提供契机。
引用
@article{arxiv.2012.12561,
title = {GANDA: A deep generative adversarial network predicts the spatial distribution of nanoparticles in tumor pixelly},
author = {Jiulou Zhang and Yuxia Tang and Shouju Wang},
journal= {arXiv preprint arXiv:2012.12561},
year = {2021}
}
备注
28 pages, 17 figures, 3 tables