基于条件动态训练生成对抗网络（CD-GANs）的无钆增强胶质母细胞瘤MRI合成技术研究

本文提出CD-GANs框架，通过动态条件判别器和渐进强度训练策略，实现无钆剂（Gadolinium）的T1加权增强（T1CE）MRI合成。创新性提出CPD-GAN和DCD-GAN模型，在BraTS2020数据集上验证了其在胶质瘤（GBM）诊断中替代传统钆剂增强成像的潜力，为肾病患者提供更安全的影像解决方案。

　　

Highlight

本研究聚焦于利用生成对抗网络（GANs）合成T1CE图像，作为钆基对比剂（GBCAs）的安全替代方案，解决钆剂在组织中积累的风险。我们提出了一种创新的动态训练方法，根据输入数据中是否存在肿瘤进行自适应调整。

CPD-GAN

首个框架——条件补丁判别器生成对抗网络（CPD-GAN，图3）设计用于实现双重目标：精确合成肿瘤区域并捕捉脑部结构细节。通过引入补丁判别器，在细粒度层面评估真实、目标和生成图像块。当输入无肿瘤时，框架运行类似原始Pix2pix；若检测到肿瘤，则激活补丁判别器强化纹理细节学习。

DCD-GAN

双条件判别器生成对抗网络（DCD-GAN）进一步创新，采用并行判别器架构：全局判别器评估整体解剖合理性，局部判别器专注肿瘤区域特征。这种"分而治之"策略显著提升了对异质性肿瘤的合成能力。

渐进强度训练

提出渐进强度训练策略：模型首先学习暗强度区域特征，逐步融合中、亮强度信息。该策略应用于Pix2pix及我们的CPD-GAN/DCD-GAN框架，衍生出PiPix2pix、PiCPD-GAN和PiDCD-GAN等增强版本，显著改善微细结构再现。

结论

在BraTS2020数据集上的实验表明，DCD-GAN及其Pi变体在T1/T2/Flair多模态到T1CE的转换任务中均超越现有技术。特别是对高级别胶质瘤（HGG）的坏死核心和强化边缘的合成精度达到临床诊断要求，为肾功能不全患者提供了可靠的替代影像方案。