写在前面

目前只分析了文章的大体内容和我个人认为的比较重要的细节，代码实现还没仔细看，后续有时间会补充代码细节部分。

文章地址：Generative Adversarial Network-based Noncontrast CT Angiography for Aorta and Carotid Arteries

代码地址：GitHub - yml-bit/CTA-GAN: synthesis CTA using CT base GAN model

PS：代码仓库并未提供详细的环境依赖项说明，但文章在补充材料中说明了环境的主要配置：python3.8 + pytorch1.7.1 + cu110，想要复现的小伙伴可以参考一下。

一、动机

碘对比剂广泛用于CTA成像，但可能会对人体造成不良影响，同时碘对比剂的使用耗时且昂贵。

如果深度神经网络可以根据非增强CT(noncontrast CT，NCCT)生成对应的CTA图像，且生成图像的质量足以用于临床诊断，这将是具有重要意义的。

二、数据和方法

1. 数据：以病人为单位

• 训练集：1137；
• 验证集：400；
• 测试集：212；

共1749例。外部测试集42例。

2. 数据筛选原则

数据筛选对于我们进行相关的研究具有重要的参考价值。本研究存在以下情况的数据不能纳入：

• CT影像中存在伪影，包括运动伪影或者金属伪影；
• NCCT和CTA的slice thickness、slice number或者slice location不一致；
• 由于CTA出现问题导致扫描失败的，包括无对比剂充盈或者对比剂充盈不足，影响临床诊断；
• 已经进行过手术的动脉，例如动脉瘤手术；

3. 数据类型

生成的CTA影像能用于临床诊断才有意义。文中数据可进一步细分为如下类型：

• 动脉瘤
• 动脉粥样硬化
• 动脉夹层
• 正常动脉

文中对内部测试集和外部测试集各类别的数量进行了说明，并对将生成结果用于临床诊断，绘制了如下所示的混淆矩阵。但并未说明训练集中各类别数据的情况。

4. 模型

文中对模型部分的介绍比较笼统，后续有机会结合代码仔细看一下。文中放置了相对完整的模型结构图，主要分为三部分：

• 生成器：根据NCCT生成对应的CTA图像
• 校正器：固定NCCT，将CTA往NCCT配准
• 判别器：判别真实CTA和生成的CTA（SynCTA）

具体结构如下图所示：

三、结果

1. 定量评估

文中对比了pix2pix和Reg-GAN这两种方法，参考的评价指标为NMSE（normalized mean absolute error）、SSIM和PSNR，具体结果如下图所示：

2. 视觉质量评估

两名高级放射医师独立评估CTA和SynCTA的图像质量，分为三个分数段：差（1分）、满意（2分）、高（3分）。质量评估的主要方面包括：血管壁清晰度、管腔边缘锐利度以及管腔对比度。

然后对内部测试集和外部测试集的CTA和SynCTA的打分情况进行统计学分析，结果显示两者无明显统计学差异，结果图就不放了。

3. 诊断评估

为了验证SynCTA用于临床诊断的可行性，两名高级放射医师以CTA为金标准，对SynCTA进行临床诊断，并根据诊断结果绘制混淆矩阵，具体诊断结果在2-3数据类型中体现，总体而言诊断准确率还是相当高的。

四、不足

• 单中心数据，且模型有时会在增强区域出现错误和遗漏；
• GAN训练过程中仍然可能会出现坍缩或不稳定的情况。