基于观察者研究评估用于生成肿瘤学PET图像的TGAN架构
医学物理
2023-11-29 v2 图像与视频处理
摘要
近年来计算机视觉算法在医学影像中的应用迅速增长。然而，由于样本量有限、缺乏标注样本以及数据共享的隐私问题，算法训练颇具挑战。为解决这些问题，我们此前（Bergen 等 2022）利用时序生成对抗网络（TGAN）架构开发了用于头颈（H&N）癌的合成 PET 数据集，并评估了其在合成图像中分割病灶与识别放射组学特征上的性能。本工作中，我们执行了一项二选一强迫选择（2AFC）观察者研究，以定量评估人类观察者区分真实与合成肿瘤学 PET 图像的能力。研究中八名受训读者（含两名认证核医学医师）通过专用网页应用阅读 170 对以二维横轴位呈现的真实/合成图像对。对每对图像，观察者被要求辨识真实图像并以五点 Likert 量表输入置信度。P 值由二项检验与 Wilcoxon 符号秩检验计算。热图用于比较符号秩检验的响应准确度分布。全体观察者的响应准确度介于 36.2% [27.9-44.4] 至 63.1% [54.8-71.3]。八人中六名未能以统计显著性辨识真实图像，表明该合成数据集对肿瘤学 PET 图像具有合理代表性。总体而言，本研究为我们模拟 H&N 癌数据集的真实感增添了有效性，该数据集未来可用于训练 AI 算法，同时有利于患者保密与隐私保护。
引用
@article{arxiv.2311.16047,
title = {Observer study-based evaluation of TGAN architecture used to generate oncological PET images},
author = {Roberto Fedrigo and Fereshteh Yousefirizi and Ziping Liu and Abhinav K. Jha and Robert V. Bergen and Jean-Francois Rajotte and Raymond T. Ng and Ingrid Bloise and Sara Harsini and Dan J. Kadrmas and Carlos Uribe and Arman Rahmim},
journal= {arXiv preprint arXiv:2311.16047},
year = {2023}
}