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) イメージングの分野における革新的な要素として浮上しており、放射線被曝と画質の調和という永続的な問題に高度な解決策を提供します。
この包括的なレビューでは、GAN ベースの LDCT ノイズ除去技術の急速な進歩を総合し、基礎的なアーキテクチャから、解剖学的事前分布、知覚損失関数、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します。
私たちは、条件付き GAN (cGAN)、CycleGAN、超解像度 GAN (SRGAN) などのさまざまな GAN アーキテクチャを批判的に分析し、LDCT ノイズ除去の観点からそれらの独自の強みと限界を解明します。
この評価では、PSNR、SSIM、LPIPS などのメトリクスを使用して、ベンチマークおよび臨床データセットのパフォーマンスの向上に関連する定性的および定量的な結果が提供されます。
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、合成アーティファクト、臨床的に関連する指標の必要性など、広範な臨床使用を妨げるいくつかの課題について説明します。
このレビューは、カスタマイズされた LDCT ノイズ除去モデルを介した精密医療の進歩における 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いて人工知能によってもたらされる変革の可能性を強調して締めくくられています。

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, Google