网站建设绩效考核,学生网站建设实训报告,亚1州区2区3区域4,电力行业网站建设Generative Adversarial Network–based Noncontrast CT Angiography for Aorta and Carotid Arteries 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影背景贡献实验方法损失函数Thinking 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影
https://github.com/ying-f… Generative Adversarial Network–based Noncontrast CT Angiography for Aorta and Carotid Arteries 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影背景贡献实验方法损失函数Thinking 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影
https://github.com/ying-fu/CTA-GAN Radiology 2023
背景
碘造影剂ICAs广泛用于CT血管造影术CTA可能会对人体产生不良影响而且使用耗时且成本高昂。研究用平扫CT合成造影剂CT并评价生成的效果很有意义。CTA——Syn-CTA
难点传统的深度学习模型不能充分解决成对未对准图像的映射翻译问题。此外先前的医学图像翻译研究集中在单个解剖位置而临床诊断经常在多个位置进行1415。
贡献
本文开发一种基于生成对抗性网络GAN的CTA成像模型16-21以合成独立于ICAs的高质量CTA样图像并评估使用这些合成CTASyn-CTA图像辅助临床诊断的可行性。使用内部和外部测试数据从定量指标、视觉质量和血管疾病诊断准确性方面评估Syn-CTA图像
实验
数据集收集了17-22年颈部和腹部的成对的CT和CTA图像1749名患者1137训练400验证212测试外部验证42名。数据处理每个NCCT和CTA扫描被重采样到0.67x0.67x1.25的体积中由75-490各切片组成512x512分辨率CTA造影剂浓度370mg/ml注射速率4.5ml/s将-2000-2095的像素值标准化到-1-1排除手动检查后图像质量较差的扫描。Patient Characteristics患者特征在1833名符合条件的患者中84名图像质量较差的患者被排除在外1749名患者中位年龄60岁[IQR50-68岁]1057名[60.4%]男性患者和692名[39.6%]女性患者被纳入分析。1137名患者的CT扫描用于模型训练来自400名患者的扫描用于模型开发验证212名患者的扫描用于模型测试图1。外部独立验证集包括42名患者中位年龄67岁[IQR59–74岁]37名[88.1%]男性患者和5名[11.9%]女性患者。评估方法Quantitative Evaluation定量评价正态平均绝对误差NMAE、峰值信噪比PSNR、结构相似性指数测量SSIMVisual Quality Evaluation视觉质量评估具有10年经验的专家独立评估了CTA和Syn-CTA图像的图像质量。任何分歧都通过协商一致的方式解决。放射科医生使用主观三点量表视觉质量评分2526评估Syn-CTA和真实CTA扫描的图像质量、质量差2、质量合格3、质量好具体而言图像质量评估包括血管壁清晰度、管腔边缘清晰度和管腔壁对比度附录S1图S1。Diagnostic Evaluation诊断评估对每次扫描的Syn-CTA图像和真实CTA图像进行匿名化然后将其随机并按序列号呈现给进行独立阅读视觉质量评估的同两名放射科医生。基于每次扫描的血管诊断动脉瘤、夹层、动脉粥样硬化或健康动脉由两名放射科医生确定。通过一致阅读解决任何诊断分歧附录S1。从真实的CTA图像中读取的血管诊断被视为基本事实。 人工评价Syn-CTA测试集中的高质量分数分数3的比率均大于90%高质量分数的总体比率为95%
方法 论文中对方法描述不多以下是从源代码中简化的训练步骤伪代码
# real_A2是CTreal_B2是Syn_CTA
# NetG_A2B是生成器R_A是校准器spatial_transform是进行采样的一个配准场不是模型
# netD_B是判别器target_real Variable(Tensor(1,1).fill_(1.0), requires_gradFalse)
# target_fake Variable(Tensor(1,1).fill_(0.0), requires_gradFalseoptimizer_R_A.zero_grad()
optimizer_G.zero_grad() # 只更新生成器和校准器
fake_B netG_A2B(real_A2) # CT生成的Syn_CTAfake_B
Trans R_A(fake_B, real_B2) # fake_B和real_B校准得到Trans
SysRegist_A2B spatial_transform(fake_B, Trans) # fake_B和Trans配准得到SysRegist_A2B
pred_fake0 netD_B(fake_B) # fake_B输入到判别器得到pred_fake0SM_loss smoothing_loss(Trans)
SR_loss L1_loss(SysRegist_A2B, real_B2) # 配准后的生成图和real_B要长得像
adv_loss MSE_loss(pred_fake0, target_real) # 对抗fake_B的pred_fake0和1的MSElossloss SM_loss SR_loss adv_loss # 总损失
loss.backward() # 梯度回传
optimizer_R_A.step() # 更新R_A和G
optimizer_G.step()optimizer_D_B.zero_grad() # 只更新判别器
with torch.no_grad():fake_B netG_A2B(real_A2) # 生成器不更新权重
pred_fake0 netD_B(fake_B) # 再算一次pred_fake0
real_BB2 copy.deepcopy(real_B2)
pred_real netD_B(real_BB2) # 判别real_B得到pred_real
loss_D_B MSE_loss(pred_fake0, target_fake) # 对抗pred_fake0和0pred_real和1 MSE_loss(pred_real, target_real)
loss_D_B.backward()
optimizer_D_B.step() # 更新判别器损失函数
配准后的图像和源图像的L1 loss对抗loss
Thinking
输入是未配准的成对CT-SynCTA影像先用CT影像生成SynCTA影像再对SynCTA影像进行配准再通过判别器判别生成的影像和原始SynCTA影像。最终合成配准了的SynCTA影像。
