基于Transformer技术的生成对抗网络在提高前列腺成像磁共振（MR）图像质量方面的应用

《npj Precision Oncology》：Transformer-enhanced generative adversarial networks for improving MR image quality in prostate imaging

　　

摘要

持续高质量且标准化的前列腺MRI对于可靠地解读PI-RADS评分至关重要，但不同医疗机构之间的成像结果仍存在显著差异，这构成了临床上的挑战。我们开发并验证了PST-CyGAN，这是一种具备解剖学认知能力的CycleGAN框架，结合了金字塔空间自适应归一化和Transformer增强技术，旨在提升多中心数据集中的前列腺T2加权成像（T2WI）质量。共有来自8个中心的2,207名患者用于训练，475名患者用于测试。来自941名患者的高分辨率T2WI图像（0.35×0.35×2.0毫米）被作为质量控制参考样本。在消融成像测试中，PST-CyGAN在所有量化指标上均优于四种最先进的模型：PSNR（29.3±0.5）、SSIM（0.558±0.116）、FCS（0.915±0.028）和LPIPS（0.169±0.056），尤其是在图像质量最初较低的情况下表现更为突出（所有p值<0.01）。在盲法多读者评估中，PST-CyGAN使38%的病例的PI-QUAL评分得到提升，仅有20%的评分下降，显著优于未采用质量控制机制的模型（前者提升比例为11%，后者降低比例为69%；p值<0.01）。在针对三种不同体素尺寸的前瞻性测试中，PST-CyGAN显示出初步的泛化能力，PI-QUAL评分提升了20.0%-29.1%。该模型能够从异构采集协议中生成标准化的高分辨率合成T2WI图像，并改善多中心数据集中的定量和半定量图像质量指标。这些发现表明PST-CyGAN具有图像质量统一化的潜力；然而，这种图像层面的改进是否能够转化为更好的诊断效果或临床决策能力，仍有待通过带有病理参考标准的前瞻性研究来验证。ClinicalTrials.gov上的注册信息（NCT06636747）涉及2023年8月1日在一个中心注册的小型前瞻性验证队列（n=11）。