目的:通过训练生成对抗网络(generative adversarial networks,GAN)模型,构建一种用于消除CT图像金属伪影的神经网络,以期为临床提供参考。方法:收集2017年1月至2022年6月四川大学华西口腔医院影像科就诊患者的CT资料,共纳入1 000例无伪影CT数据和620例金属伪影CT数据,包含充填体、冠类、钛板钛钉类、托槽类、金属异物类5种。将400例金属伪影CT数据和1 000例无伪影CT数据用于仿真合成,构建出1 000对配对的模拟金属及伪影图像和模拟金属图像(每种200对)。在保证5种金属伪影数据相等的情况下,将整个数据集随机(计算机随机)分为训练集(800对)和测试集(200对),前者用于训练GAN模型,后者用于评估GAN模型性能。定量评价测试集均方根误差(root-mean-square error,RMSE)和结构相似性(structural similarity index measure,SSIM)。用训练好的GAN模型对剩余的220例临床病例颌面部CT图像金属伪影进行消除,并由2名高年资主治医师分别使用改良利克特量表对消除结果进行评价。结果:测试集中充填体、冠类、钛板钛钉类、托槽类和金属异物类伪影消除的RMSE值分别为0.018±0.004、0.023±0.007、0.015±0.003、0.019±0.004、0.024±0.008(
F=1.29,
P=0.274),SSIM值分别为0.963
作者:曾维;周善洛;郭际香;汤炜
来源:中华口腔医学杂志 2023 年 58卷 6期