HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models

要約

動的コントラスト強化磁気共鳴画像（DCE-MRI）は、焦点肝病変の検出と特性評価において重要な役割を果たし、肝菌相（HBP）が重要な診断情報を提供します。
ただし、HBP画像を取得するには、スキャン時間の長期時間が必要であり、患者の快適性とスキャナースループットを損なう可能性があります。
この研究では、以前のコントラストフェーズ（事前トラストおよびトランジショナル）からHBP画像を合成するための深い学習ベースのアプローチを提案し、3つの生成モデルを比較します：知覚U-NET、知覚GAN（PGAN）、および拡散拡散プロベリスティックモデル（DDPM）。
多様な臨床設定からマルチサイトDCE-MRIデータセットをキュレーションし、トレーニングデータの品質を評価し、モデルのパフォーマンスを向上させるためにコントラスト進化スコア（CES）を導入しました。
盲検化放射線科医のレビューを介した定性的評価と組み合わせたピクセルごとのメトリックを使用した定量的評価は、PGANが最良の定量的パフォーマンスを達成したが、分散症のケースで不均一なコントラストを導入したことを示しました。
対照的に、U-NETは、より少ないアーティファクトで一貫した肝臓の増強を生成しましたが、DDPMは細かい構造の詳細の保存が限られているためパフォーマンスが低くなりました。
これらの発見は、診断ユーティリティを損なうことなくスキャン時間を短縮する手段としての合成HBP画像生成の実現可能性を示しており、肝臓MRIの動的コントラスト強化のための深い学習の臨床的可能性を強調しています。
プロジェクトデモは、https：//jhooge.github.io/hepatogenで入手できます

要約(オリジナル)

Dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) plays a crucial role in the detection and characterization of focal liver lesions, with the hepatobiliary phase (HBP) providing essential diagnostic information. However, acquiring HBP images requires prolonged scan times, which may compromise patient comfort and scanner throughput. In this study, we propose a deep learning based approach for synthesizing HBP images from earlier contrast phases (precontrast and transitional) and compare three generative models: a perceptual U-Net, a perceptual GAN (pGAN), and a denoising diffusion probabilistic model (DDPM). We curated a multi-site DCE-MRI dataset from diverse clinical settings and introduced a contrast evolution score (CES) to assess training data quality, enhancing model performance. Quantitative evaluation using pixel-wise and perceptual metrics, combined with qualitative assessment through blinded radiologist reviews, showed that pGAN achieved the best quantitative performance but introduced heterogeneous contrast in out-of-distribution cases. In contrast, the U-Net produced consistent liver enhancement with fewer artifacts, while DDPM underperformed due to limited preservation of fine structural details. These findings demonstrate the feasibility of synthetic HBP image generation as a means to reduce scan time without compromising diagnostic utility, highlighting the clinical potential of deep learning for dynamic contrast enhancement in liver MRI. A project demo is available at: https://jhooge.github.io/hepatogen

arxiv情報

提供元, 利用サービス

arxiv.jp, Google