生成对抗网络在颅脑CT运动伪影校准中的应用
目的 评估利用生成对抗网络(GAN)去除颅脑CT运动伪影的可行性.方法 回顾性纳入300例因初次颅脑CT扫描存在运动伪影而进行颅脑CT复扫的患者.300例患者图像被随机按照4:1分为训练集和验证集.每位患者两次颅脑CT扫描所获得的图像分别为初次扫描的含有运动伪影的图像(FTI)以及复扫的无运动伪影的图像(STI).训练集240例患者,累计4800对FTI-STI图像,用于生成对抗模型的训练.测试集60例患者,累计1200对FTI-STI图像,用于测试模型效能.采用cycle-GAN作为网络框架,通过在训练集中FTI和STI构建映射,以STI为参考图像,将输入训练集中的FTI合成无伪影颅脑CT图像(SCT).采用均方误差(MSE)定量评估模型生成的SCT和验证集中扫描得到的STI的总体差异.采用峰值信噪比(PSNR)评价SCT与STI的噪声分布差异.采用结构相似性(SSIM)、特征相似度(FSIM)评估SCT和STI的结构和特征相似程度.由两位具有8年以上中枢神经影像诊断经验的医师分别对噪声、伪影、病变显示度以及总体质量进行综合评价.评价采用五级评分法,其中1级表示图像质量最差,难以诊断;5级表示图像质量最好,1～5级图像质量逐级递增.数据正态分布检验采用单样本Kolmogorov-Smirnov检验.符合正态分布的连续变量资料差异性比较采取独立样本t检验.质量评分比较采用Wil-coxon signed-rank检验.等级资料一致性检验采用weighted-kappa系数.P＜0.05为差异有统计学意义.结果 训练集和验证集患者性别、年龄、疾病分布差异无统计学意义(P＞0.05).模型生成的SCT的PSNR、SSIM、FSIM、MSE分别为45.1、0.913、0.924、0.003.提示SCT在噪声分布,结构以及纹理特征与STI高度相似.STI组和SCT组的各项质量评估差异无明显统计学意义(P＞0.05).STI组和SCT组的噪声分布、伪影评分、灰白质评分、病变显示度评分均明显优于FTI组,且差异存在统计学意义(P＜0.001).结论 基于生成对抗网络的深度学习模型可以有效减少颅脑CT运动伪影.
生成对抗网络、颅脑、体层摄影术、X线计算机、运动伪影
41
TP391.41;TB114.3;R730.44
武汉市卫生计生委科研计划资助项目WX21D84
2023-02-24（万方平台首次上网日期，不代表论文的发表时间）
共5页
2115-2119
