乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两...乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两种主要模式,这类方法要求不同MRI序列数据配对出现,难以处理存在缺失的数据,此外,该类方法往往关注整幅图像的生成质量,缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题,该文受配准网络(RegGAN)自适应对准图像空间分布的启发,设计了一种新的基于特征增强的双注意力配准生成对抗网络DA-RegGAN。该网络在生成器中引入卷积注意力模块,使网络更注重病灶的学习;在判别器中添加梯度正则化约束,主要解决网络训练不稳定容易出现模式崩溃的现象,使网络生成包含更清晰的病灶细节全局图。该文在1697幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验,进一步验证了方法的有效性。与原始RegGAN比,全局图像生成质量和局部病灶图像生成质量均得到提升,局部图像质量较原始PSNR提升了0.518,SSIM提升了0.021;全局图像质量较原始PSNR提升了0.584,SSIM提升了0.020。展开更多
目的:探究利用深度学习算法构建乳腺动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)图像推演模型的可行性,寻找无须实际扫描即可获取DCE-MRI图像的新技术。方法:收集2020年1月—2021年8月在西...目的:探究利用深度学习算法构建乳腺动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)图像推演模型的可行性,寻找无须实际扫描即可获取DCE-MRI图像的新技术。方法:收集2020年1月—2021年8月在西安国际医学中心医院行乳腺MRI检查的54例女性患者的临床信息及影像学资料,随机分为训练集(38例)、测试集1(8例)及测试集2(8例)。基于训练集中患者的T1加权成像(T1-weighted imaging,T1WI)及DCE序列第一期图像,利用深度学习Pix2Pix算法构建乳腺DCE-MRI图像推演模型。在测试集中合成DCE图像,采用峰值信噪比(peak signal to noise ratio,PSNR)、结构相似性(structural similarity,SSIM)、均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)指标测试模型性能。另外,评估合成的DCE序列与原始序列间的相关性。结果:共合成DCE第一期图像760张。与原始图像相比,合成的图像具有良好的SSIM,较低的信息损失,其中SSIM为0.71±0.01,PSNR为23.70±1.41。另外,合成的DCE序列重建误差较小,MAE为0.032±0.004,MSE为0.006±0.002,且与原始DCE序列呈显著正相关(r=0.872±0.038,95%CI:0.870~0.874,P=0.000)。结论:乳腺DCE-MRI图像推演模型能够自动生成DCE序列第一期图像,为补充非增强MRI序列中信息缺失提供了新思路,同时避免了造影剂的使用、缩短扫描时间,为乳腺MRI筛查的推广应用奠定了基础。展开更多
文摘乳腺癌磁共振成像(nuclear magnetic resonance imaging,MRI)数据由于不同医院采集方式不同、设备不同或病人等自身原因,会存在同一病人不同序列缺失的问题。目前主流的图像生成对抗网络Pix2Pix和Cycle-consistency是医学图像生成的两种主要模式,这类方法要求不同MRI序列数据配对出现,难以处理存在缺失的数据,此外,该类方法往往关注整幅图像的生成质量,缺少对疾病诊断更有价值的病灶区域的生成质量的监控。针对以上问题,该文受配准网络(RegGAN)自适应对准图像空间分布的启发,设计了一种新的基于特征增强的双注意力配准生成对抗网络DA-RegGAN。该网络在生成器中引入卷积注意力模块,使网络更注重病灶的学习;在判别器中添加梯度正则化约束,主要解决网络训练不稳定容易出现模式崩溃的现象,使网络生成包含更清晰的病灶细节全局图。该文在1697幅乳腺数据上开展消融实验、不同图像生成算法间的对比实验、肿瘤分类实验,进一步验证了方法的有效性。与原始RegGAN比,全局图像生成质量和局部病灶图像生成质量均得到提升,局部图像质量较原始PSNR提升了0.518,SSIM提升了0.021;全局图像质量较原始PSNR提升了0.584,SSIM提升了0.020。
文摘目的:探究利用深度学习算法构建乳腺动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)图像推演模型的可行性,寻找无须实际扫描即可获取DCE-MRI图像的新技术。方法:收集2020年1月—2021年8月在西安国际医学中心医院行乳腺MRI检查的54例女性患者的临床信息及影像学资料,随机分为训练集(38例)、测试集1(8例)及测试集2(8例)。基于训练集中患者的T1加权成像(T1-weighted imaging,T1WI)及DCE序列第一期图像,利用深度学习Pix2Pix算法构建乳腺DCE-MRI图像推演模型。在测试集中合成DCE图像,采用峰值信噪比(peak signal to noise ratio,PSNR)、结构相似性(structural similarity,SSIM)、均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)指标测试模型性能。另外,评估合成的DCE序列与原始序列间的相关性。结果:共合成DCE第一期图像760张。与原始图像相比,合成的图像具有良好的SSIM,较低的信息损失,其中SSIM为0.71±0.01,PSNR为23.70±1.41。另外,合成的DCE序列重建误差较小,MAE为0.032±0.004,MSE为0.006±0.002,且与原始DCE序列呈显著正相关(r=0.872±0.038,95%CI:0.870~0.874,P=0.000)。结论:乳腺DCE-MRI图像推演模型能够自动生成DCE序列第一期图像,为补充非增强MRI序列中信息缺失提供了新思路,同时避免了造影剂的使用、缩短扫描时间,为乳腺MRI筛查的推广应用奠定了基础。
