基于生成模型的胸部CT图像气道与血管形态量化
图像与视频处理
2020-04-13 v2 计算机视觉与模式识别
机器学习
医学物理
机器学习
摘要
从计算机断层扫描(CT)图像中准确且精确地刻画气道和血管等肺部小结构的形态，对于肺部疾病的诊断正变得愈发重要。较小的传导性气道是慢性阻塞性肺疾病(COPD)中气流阻力增加的主要部位，而准确测量血管尺寸有助于识别肺区中可能影响未来病变的动脉与静脉变化。然而，传统方法常受限于图像分辨率和伪影。我们提出了一种卷积神经回归器(CNR)，用于提供气道管腔、气道壁厚度和血管半径的横截面测量。CNR使用由合成结构生成模型创建的数据进行训练，该模型与模拟与无监督生成对抗网络(SimGAN)结合使用，以生成具有已知真实值的模拟并精炼后的气道和血管。为进行验证，我们首先使用所提生成模型合成的气管和血管计算相对误差，并与传统方法相比直接评估CNR的准确性。随后，通过分析预测的一秒用力呼气容积百分比(FEV1%)与Pi10参数值(两个已知的肺功能与气道疾病指标)之间的关联性，对气道进行体内验证。对于血管，我们评估了所估计的小血管血容量与肺一氧化碳弥散量(DLCO)之间的相关性。结果表明，卷积神经网络(CNN)为在胸部CT图像上准确测量血管与气道并提供生理学相关性，提供了一条有前景的方向。
引用
@article{arxiv.2002.05702,
title = {Generative-based Airway and Vessel Morphology Quantification on Chest CT Images},
author = {Pietro Nardelli and James C. Ross and Raúl San José Estépar},
journal= {arXiv preprint arXiv:2002.05702},
year = {2020}
}
备注
19 pages, 13 figures