利用循环GAN提升低剂量CT中放射组学的可重复性与性能
定量方法
2021-09-17 v1 医学物理
摘要
作为一种从医学影像中提取生物标志物的方法，放射组学已引起研究人员的日益关注。然而，放射组学在低剂量CT扫描中的可重复性与性能仍然较差，主要归因于噪声。深度学习生成模型可用于对这些图像去噪，进而改善放射组学的可重复性与性能。然而，大多数生成模型在配对数据上训练，而这类数据难以或无法收集。在本文中，我们基于非配对数据集，研究利用循环生成对抗网络（GANs）对低剂量CT去噪以改善放射组学可重复性与性能的可能性。训练了两个循环GAN：1）通过由高剂量CT模拟低剂量CT（即引入噪声）从配对数据训练；2）从非配对的真实低剂量CT训练。为加速收敛，在GAN训练期间引入了切片配对训练策略。训练好的GAN应用于三种场景：1）改善模拟低剂量CT图像中放射组学的可重复性；2）同日重复低剂量CT（RIDER数据集）；3）改善生存预测中的放射组学性能。循环GAN结果与在模拟配对数据上训练的条件GAN（CGAN）和编码器-解码器网络（EDN）进行比较。在模拟数据上训练的循环GAN将模拟噪声CT中放射组学特征的一致性相关系数（CCC）从0.87提升至0.93，在RIDER数据集上从0.89提升至0.92，并将生存预测的AUC从0.52提升至0.59。在真实数据上训练的循环GAN将RIDER中特征的CCC提升至0.95，生存预测的AUC提升至0.58。结果表明，在模拟与真实数据上训练的循环GAN均可改善低剂量CT中放射组学的可重复性与性能，并取得与CGAN和EDN相当的结果。
引用
@article{arxiv.2109.07787,
title = {Improving Reproducibility and Performance of Radiomics in Low Dose CT using Cycle GANs},
author = {Junhua Chen and Leonard Wee and Andre Dekker and Inigo Bermejo},
journal= {arXiv preprint arXiv:2109.07787},
year = {2021}
}