文摘
摘要目的:来生成合成3 d Fluid-Attenuated反转恢复(天赋)图像获得3 d T1先生女士的图片对象。
背景:临床MRI扫描图像通常表现出显著的异质性之间的时间点,代表定量后处理分析的一个主要障碍。图像合成方法可用于生成标准化图像从任何临床图像而不丧失患者信息。生成对抗网络(甘斯)是一个有用的方法image-to-image翻译在计算机视觉的应用程序。我们提出一个实现image-to-image翻译的甘斯先生T1-to-FLAIR-weighted图像,反之亦然。
设计/方法:400 MS T1 /天赋对得到3 t被用来训练我们的学习算法。头骨被移除,每一对co-registered更好的像素像素对应。我们使用Cycle-Consistent GAN,深度学习的方法,生成3 d合成图像。三种比较方法进行验证的目的,实现了在每个片;平均绝对误差(MAE)、互信息(MI)和相对误差(RE)。比较了合成图像作为输出,获得图像之间的地面真理。减轻输入/输出对之间的变化,所有片被减去平均归一化强度除以它的标准差。
结果:63例女士3 d T1和3 d风格图片被用来验证训练算法。美,MI,重新计算了在每种情况下,平均每个薄片。美所有片有一个值为0.8的平均绝对差两个图像之间,平均MI值1.28衡量两幅图像之间的相互依赖性。再保险地图显示良好的匹配在正常出现白色/灰色物质(NAWM / NAGM)而病变边缘出现的较大值。
结论:合成图像可能代表一个突破的定量分析异构女士扫描。Cycle-GAN显示优秀的协议在NAWM / NAGM对地面真理,而病变可能受益于额外的数据纳入模型。
披露:Jabarzedeh博士没有披露。Rukmangadachar博士没有披露。Pelletier博士已经收到个人赔偿咨询、担任科学顾问委员会说,与生原体或其他活动,默克公司Serono,诺华,罗氏公司,赛诺菲。Pelletier博士收到生原体研究支持,默克公司Serono,诺华,罗氏公司,赛诺菲。
