Contrast Media Reduction in Computed Tomography With Deep Learning Using a Generative Adversarial Network in an Experimental Animal Study
Notice bibliographique
Résumé
OBJECTIVE: This feasibility study aimed to use optimized virtual contrast enhancement through generative adversarial networks (GAN) to reduce the dose of iodine-based contrast medium (CM) during abdominal computed tomography (CT) in a large animal model. METHODS: Multiphasic abdominal low-kilovolt CTs (90 kV) with low (low CM, 105 mgl/kg) and normal contrast media doses (normal CM, 350 mgl/kg) were performed with 20 healthy Göttingen minipigs on 3 separate occasions for a total of 120 examinations. These included an early arterial, late arterial, portal venous, and venous contrast phase. One animal had to be excluded because of incomplete examinations. Three of the 19 animals were randomly selected and withheld for validation (18 studies). Subsequently, the GAN was trained for image-to-image conversion from low CM to normal CM (virtual CM) with the remaining 16 animals (96 examinations). For validation, region of interest measurements were performed in the abdominal aorta, inferior vena cava, portal vein, liver parenchyma, and autochthonous back muscles, and the contrast-to-noise ratio (CNR) was calculated. In addition, the normal CM and virtual CM data were presented in a visual Turing test to 3 radiology consultants. On the one hand, they had to decide which images were derived from the normal CM examination. On the other hand, they had to evaluate whether both images are pathological consistent. RESULTS: Average vascular CNR (low CM 6.9 ± 7.0 vs virtual CM 28.7 ± 23.8, P < 0.0001) and parenchymal (low CM 1.5 ± 0.7 vs virtual CM 3.8 ± 2.0, P < 0.0001) CNR increased significantly by GAN-based contrast enhancement in all contrast phases and was not significantly different from normal CM examinations (vascular: virtual CM 28.7 ± 23.8 vs normal CM 34.2 ± 28.8; parenchymal: virtual CM 3.8 ± 2.0 vs normal CM 3.7 ± 2.6). During the visual Turing testing, the radiology consultants reported that images from normal CM and virtual CM were pathologically consistent in median in 96.5% of the examinations. Furthermore, it was possible for the examiners to identify the normal CM data as such in median in 91% of the cases. CONCLUSIONS: In this feasibility study, it could be demonstrated in an experimental setting with healthy Göttingen minipigs that the amount of CM for abdominal CT can be reduced by approximately 70% by GAN-based contrast enhancement with satisfactory image quality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».