.png){kind=icon}
返回
EIT to CT Cross-Modality Translation Using Diffusion Transformer
.png){kind=icon}
OA
AI
DOI：10.1109/jbhi.2026.3668898.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
CT（计算机断层扫描）在医学成像中发挥着关键作用，因其卓越的空间分辨率和诊断能力，尤其在肺部应用中表现突出。然而，其相关的辐射风险、高昂设备成本和可及性限制构成了显著挑战。相比之下，电阻抗断层扫描（EIT）提供了一种无辐射、低成本且便携的成像替代方案，使其在床旁和资源有限环境下具有吸引力。本研究中，我们展示了从原始EIT电压生成高分辨率合成CT（sCT）图像的可行性，通过有效整合两种模态的优势增强了EIT的临床应用。我们提出了一种EIT到CT的转换方法，利用基于电压测量的扩散转换器通过反向扩散过程指导sCT图像生成。该模型在合成数据集上训练，并在模拟和实验数据上评估，生成了解剖学上连贯且视觉上逼真的sCT图像。定量评估表明该方法在像素级和基于分布的指标上均有效。该方法实现了0.9282的相关系数、24.64 dB的峰值信噪比、0.8321的特征相似性指数以及0.1289的深度图像结构和纹理相似性，显示出高度的结构一致性。同样，其与目标CT分布的强对齐达到了33.36的Fréchet Inception距离和0.0110的Kernel Inception距离。sCT图像的临床相关性进一步通过下游肺癌分类任务验证，使用真实CT训练的模型在sCT上表现出可比的性能，并在一项试点阅片者研究中，临床专家对超过90%的生成图像评为解剖学正确且逼真。
Keyword:
Electrical impedance tomography (EIT)
computed tomography (CT)
diffusion transformer
modality translation
lung imaging
期刊
IF:
6.8
论文数:
4.7K
被引数:
2.0W
机构
引用论文
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏Bridging the Modality Gap: Generative Adversarial Networks for T1-T2 MRI Image Translation.png)
2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT)
2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT)IF0
PREAI
分享收藏
查看更多内容