ارائه روشی جدید برای استانداردسازی تصاویر سی تی اسکن با استفاده از مدل های یادگیری عمیق

مطالعات تصویربرداری سی تی چندمرکزی معمولا با ناهمگونی ناشی از تفاوت در اسکنرها، هسته های بازسازی و پروتکل های تصویربرداری مواجه هستند که این امر منجر به تغییرات قابل توجه در ویژگی های رادیومیک می شود. در این مقاله، یک روش یادگیری عمیق مبتنی بر سنتز تصویر برای استانداردسازی تصاویر سی تی اسکن ارائه می شود که با بهره گیری از یادگیری انتقالی و شبکه های خصمانه مولد، تصاویر غیراستاندارد را به تصاویر هم توزیع با تصاویر مرجع استاندارد نگاشت می کند. نوآوری اصلی این پژوهش، معرفی یک استراتژی آموزشی جدید تحت عنوان آموزش پنجره ای است که با کنترل تدریجی دامنه موثر اعداد HU (هانسفیلد)، امکان انتقال یادگیری از تصاویر طبیعی به تصاویر پزشکی را فراهم می سازد. ارزیابی مدل پیشنهادی بر روی داده های واقعی بیماران و فانتوم نشان می دهد که این روش، در مقایسه با روش های مرجع، بازتولیدپذیری ویژگی های رادیومیک را به طور معناداری بهبود داده و کیفیت بصری تصاویر سنتزشده را نیز حفظ می کند. نتایج بیانگر کارایی بالای روش پیشنهادی در استانداردسازی تصاویر CT و افزایش قابلیت اطمینان تحلیل های رادیومیک چندمرکزی است.

Keywords:

استانداردسازی , سنتز تصویر , یادگیری عمیق , توموگرافی کامپیوتری