使用生成对抗网络进行 CT 归一化及其对影像组学特征的影响
图像与视频处理
2020-01-27 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
计算机辅助诊断（CADx）系统借助形态学与基于纹理的（影像组学）特征，辅助放射科医生在胸部 CT 扫描中识别并分类潜在恶性肺结节。然而，由于剂量水平与层厚的变化，影像组学特征对采集差异十分敏感。本研究探讨了从异质 CT 扫描作为输入生成归一化扫描的可行性。我们获取了 40 例低剂量胸部 CT 扫描的投影数据，模拟了 10%、25% 和 50% 剂量下的采集，并以 1.0mm 与 2.0mm 层厚重建扫描。我们使用一个三维生成对抗网络（GAN）同时将低剂量、厚层（2.0mm）图像归一化为正常剂量（100%）、更薄层（1.0mm）图像。我们使用峰值信噪比（PSNR）、结构相似性指数（SSIM）和学习感知图像块相似度（LPIPS）评估归一化图像质量。与基线 CNN 方法相比，我们的 GAN 将感知相似度提升了 35%。我们的分析还表明，基于 GAN 的方法在所研究的九个影像组学特征中带来了显著更小的误差（p 值 < 0.05）。这些结果表明，GAN 可用于归一化异质 CT 图像并降低影像组学特征值的变异性。
引用
@article{arxiv.2001.08741,
title = {Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features},
author = {Leihao Wei and Yannan Lin and William Hsu},
journal= {arXiv preprint arXiv:2001.08741},
year = {2020}
}
备注
ISBI 2020