利用生成对抗网络合成颅骨CT以训练经颅超声临床深度学习模型
图像与视频处理
2024-02-02 v3 机器学习
摘要
深度学习在各种医疗应用中具有潜力，但需要大量经过筛选的医学图像数据集，而数据隐私、成本以及不同采集中心间的分布失配可能成为主要问题。为克服这些挑战，我们提出一种生成对抗网络（SkullGAN）来创建大量合成颅骨CT切片数据集，旨在训练经颅超声模型。经颅超声在特发性震颤、帕金森病和阿尔茨海默病的治疗中具有广泛应用，通过集成深度学习可显著优化其临床流程。主要障碍是缺乏足够的颅骨CT切片用于训练，这正是SkullGAN旨在解决的问题。研究使用38名健康受试者的真实CT切片进行训练。随后根据颅骨密度比、平均厚度和平均强度对生成的合成颅骨图像进行评估。其保真度进一步通过t分布随机邻域嵌入（t-SNE）、Fréchet inception distance（FID）分数以及由四名临床放射科工作人员参与的视觉图灵测试（VTT）进行分析。SkullGAN生成的图像显示出与真实颅骨相似的定量放射学特征。t-SNE未能将真实样本与合成样本彼此分离，FID分数为49。专家放射科医生在VTT上的平均准确率为60%。SkullGAN使研究人员能够生成大量合成颅骨CT片段，这对于训练涉及人类颅骨（如经颅聚焦超声）的医学应用神经网络是必要的，从而缓解获取、隐私、资金、时间以及领域专业知识需求方面的挑战。
引用
@article{arxiv.2308.00206,
title = {Synthetic Skull CT Generation with Generative Adversarial Networks to Train Deep Learning Models for Clinical Transcranial Ultrasound},
author = {Kasra Naftchi-Ardebili and Karanpartap Singh and Reza Pourabolghasem and Pejman Ghanouni and Gerald R. Popelka and Kim Butts Pauly},
journal= {arXiv preprint arXiv:2308.00206},
year = {2024}
}
备注
The first two authors contributed equally