ResNCT：用于 CT 尿路造影剂肾素相图像合成的深度学习模型
图像与视频处理
2024-05-30 v2 人工智能
医学物理
摘要
目的：开发和评估基于转换器的深度学习模型，用于从非对比和尿路相图像合成 CT 尿路造影剂肾素相图像。材料与方法：本回顾性研究经当地机构伦理委员会批准。为深度学习模型开发 curated 119 名患者的数据集(平均年龄 ± 标准差为65 ± 12岁；男性75名，女性44名)，其三相 CT 尿路造影检查均包含三相。对每个患者的三个相位进行仿射配准算法对齐。开发并实现了一个自定义模型，称为残差转换器模型用于肾素相 CT 图像合成(ResNCT)，使用非对比和尿路图像的配对输入训练，以生成与对应真实肾素相图像相匹配的肾素相图像。对合成图像采用多种绩效指标进行评估，包括峰值信噪比(PSNR)、结构相似性指数(SSIM)、归一化交叉相关系数(NCC)、平均绝对误差(MAE)和均方根误差(RMSE)。结果：ResNCT 模型成功地从非对比和尿路图像输入生成了合成肾素图像。相对于真实肾素相图像，模型生成的图像在 PSNR(27.8 ± 2.7 dB)、SSIM(0.88 ± 0.05)和 NCC(0.98 ± 0.02)方面表现优异，在 MAE(0.02 ± 0.005)和 RMSE(0.042 ± 0.016)方面表现良好。结论：ResNCT 模型合成的肾素相 CT 图像与真实图像高度相似。ResNCT 模型可用于消除肾素相的获取，从而使 CTU 检查剂量降低33%。
引用
@article{arxiv.2405.04629,
title = {ResNCT: A Deep Learning Model for the Synthesis of Nephrographic Phase Images in CT Urography},
author = {Syed Jamal Safdar Gardezi and Lucas Aronson and Peter Wawrzyn and Hongkun Yu and E. Jason Abel and Daniel D. Shapiro and Meghan G. Lubner and Joshua Warner and Giuseppe Toia and Lu Mao and Pallavi Tiwari and Andrew L. Wentland},
journal= {arXiv preprint arXiv:2405.04629},
year = {2024}
}
备注
10 pages, 5 Figures,2 Tables