基于DenseNet迁移学习生成对抗网络的双向肝外胆管癌增强CT与MRI图像合成研究

本研究针对肝外胆管癌（ECC）诊断中多模态影像扫描的临床痛点，开发了一种基于DenseNet迁移学习的生成对抗网络（DTL-GAN）模型，实现了增强CT与MRI图像的双向合成。通过SSIM、MAE、PSNR量化评估及放射科医师盲测验证，合成图像在结构相似性、肿瘤形态学特征等方面与真实图像无显著差异（P > 0.05），为减少重复扫描和辐射暴露提供了创新解决方案。

　　

肝外胆管癌（ECC）的诊断长期依赖增强CT和MRI的双模态影像检查，但两种技术各有局限：MRI虽具优异软组织对比度，却存在扫描时间长、金属植入物禁忌等缺陷；CT虽快速便捷，但辐射暴露和低软组织分辨率制约其应用。更棘手的是，临床常需多次扫描以获取互补信息，导致患者负担加重。如何通过人工智能实现两种模态图像的高保真双向转换，成为突破临床瓶颈的关键。

四川省某医院团队在《Biomedical Signal Processing and Control》发表研究，提出基于DenseNet迁移学习的生成对抗网络（DTL-GAN）。该模型采用两阶段训练策略：先利用开源非医学图像预训练，再使用院内35例ECC患者的5,368对增强CT-MRI图像微调。关键技术包括：1）生成器引入密集连接网络（DenseNet）增强解剖结构细节；2）通过结构相似性指数（SSIM）、平均绝对误差（MAE）等量化指标评估合成质量；3）组织放射科医师对合成与真实图像进行视觉图灵测试和Likert量表评分。

主要研究结果

1. 定量分析：合成CT的SSIM达0.529、MRI为0.473，PSNR值分别为17.113（CT）和16.719（MRI），预训练显著提升指标（P > 0.05）。
2. 临床评估：放射科医师无法可靠区分真实与合成图像（Kappa < 0.5），肿瘤及胆管直径测量无统计学差异（配对t检验，P > 0.05）。
3. 形态学保真：合成图像在病变强化模式、诊断可接受度等定性评估中与真实图像等效（Wilcoxon检验，P > 0.05）。

讨论与意义
该研究首次实现ECC领域增强CT-MRI的双向合成，其创新性体现在：1）通过DenseNet捕获胆管树等细微结构；2）迁移学习策略缓解医学数据稀缺问题；3）合成图像可替代部分重复扫描，降低患者经济与健康风险。局限性在于样本量较小，且未评估动态增强时序图像的合成效果。未来研究可探索多中心大样本验证及三维合成技术，推动人工智能在胆道肿瘤精准诊疗中的应用。