GAN-Based Architecture for Low-dose Computed Tomography Imaging Denoising

要約

Generative Adversarial Networks（GAN）は、低線量コンピュータ断層撮影（LDCT）の領域において革命的な要素として登場し、放射線被ばくと画質の両立という永続的な問題に高度な解決策を提供している。この包括的なレビューでは、GANベースのLDCTノイズ除去技術における急速な進歩を統合し、基礎的なアーキテクチャから、解剖学的プリア、知覚的損失関数、革新的な正則化戦略などの高度な機能を組み込んだ最先端のモデルへの進化を検証する。条件付きGAN（cGAN）、サイクルGAN、超解像GAN（SRGAN）など、様々なGANアーキテクチャを批判的に分析し、LDCTノイズ除去の文脈における独自の強みと限界を明らかにする。評価では、PSNR、SSIM、LPIPSなどのメトリクスを用いたベンチマークデータセットと臨床データセットにおける性能の向上に関する定性的および定量的な結果を提供する。肯定的な結果を強調した後、GANによって生成された画像の解釈可能性、合成アーチファクト、臨床に関連するメトリクスの必要性など、より広範な臨床利用を妨げるいくつかの課題について議論する。本総説は、テーラーメイドのLDCTノイズ除去モデルによる精密医療の進展におけるGANベースの方法論の本質的な重要性を強調し、現代の放射線診療における人工知能がもたらす変革の可能性を強調することで締めくくられている。

要約(オリジナル)

Generative Adversarial Networks (GANs) have surfaced as a revolutionary element within the domain of low-dose computed tomography (LDCT) imaging, providing an advanced resolution to the enduring issue of reconciling radiation exposure with image quality. This comprehensive review synthesizes the rapid advancements in GAN-based LDCT denoising techniques, examining the evolution from foundational architectures to state-of-the-art models incorporating advanced features such as anatomical priors, perceptual loss functions, and innovative regularization strategies. We critically analyze various GAN architectures, including conditional GANs (cGANs), CycleGANs, and Super-Resolution GANs (SRGANs), elucidating their unique strengths and limitations in the context of LDCT denoising. The evaluation provides both qualitative and quantitative results related to the improvements in performance in benchmark and clinical datasets with metrics such as PSNR, SSIM, and LPIPS. After highlighting the positive results, we discuss some of the challenges preventing a wider clinical use, including the interpretability of the images generated by GANs, synthetic artifacts, and the need for clinically relevant metrics. The review concludes by highlighting the essential significance of GAN-based methodologies in the progression of precision medicine via tailored LDCT denoising models, underlining the transformative possibilities presented by artificial intelligence within contemporary radiological practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL