Resumen

El uso de la síntesis de imágenes médicas con redes generativas adversariales (GAN) es eficaz para ampliar las muestras médicas. La consistencia estructural entre la imagen sintetizada y la real es un indicador clave de la calidad de la imagen sintetizada, y la región de interés (ROI) de la imagen sintetizada está relacionada con su usabilidad, y estos parámetros son las dos cuestiones clave en la síntesis de imágenes. En este trabajo, el modelo GAN de parche de fusión-ROI (Fproi-GAN) se construyó incorporando una característica regional a priori basada en el mecanismo de consistencia de ciclo de dos etapas de cycleGAN. Este modelo ha mejorado el contraste tisular de la ROI y ha logrado la síntesis por pares de imágenes médicas de alta calidad y sus correspondientes ROIs. Los resultados de la evaluación cuantitativa en dos conjuntos de datos disponibles públicamente, INbreast y BRATS 2017, muestran que las imágenes de ROI sintetizadas tienen un coeficiente DICE de 0,981 ± 0,11 y una distancia Hausdorff de 4,21 ± 2,84 en relación con las imágenes originales. Los resultados experimentales de clasificación muestran que las imágenes sintetizadas pueden ayudar eficazmente en el entrenamiento de modelos de aprendizaje automático, mejorar el rendimiento de generalización de los modelos de predicción y mejorar la precisión de la clasificación en un 4 % y la sensibilidad en un 5,3 %. y la sensibilidad en un 5,3 en comparación con el método cycleGAN. Por lo tanto, las imágenes médicas emparejadas sintetizadas utilizando Fproi-GAN tienen una alta calidad y coherencia estructural con las imágenes médicas reales.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:GAN, imágenes médicas, coherencia estructural, mecanismo de coherencia de ciclo de etapas, ROI patch GAN, redes generativas adversariales, modelos de aprendizaje automático, síntesis de imágenes médicas, resultados de evaluación cuantitativa, imágenes médicas reales.
• Keywords:GAN, medical images, structural consistency, stage cycle consistency mechanism, ROI patch GAN, generative adversarial networks, machine learning models, medical image synthesis, quantitative evaluation results, real medical images