مقاله تحلیل مقایسه‌ای افت کیفیت سی‌تی‌اسکن برای طبقه‌بندی ندول‌های ریوی با استفاده از رادیومیکس

توموگرافی کامپیوتری با دوز پایین (LDCT) روش استاندارد غربالگری سرطان ریه است که به دلیل دوز پایین اشعه و در عین حال سطح بالای نویز شناخته شده است. در حالی که تحقیقات موجود بر روی حذف نویز تصاویر LDCT تمرکز دارند، تحقیقات مقایسه‌ای در مورد شبیه‌سازی ویژگی‌های LDCT برای استفاده مستقیم از این تصاویر در توسعه مدل وجود ندارد. این مطالعه تمرکز را از حذف نویز تصاویر به تخریب داده‌های موجود توموگرافی کامپیوتری با دوز استاندارد (SDCT) و تولید تصاویر مصنوعی برای افزایش داده‌ها به منظور آموزش طبقه‌بندها برای ندول‌های شناسایی شده در غربالگری تغییر می‌دهد. ما سه روش تخریب را مقایسه می‌کنیم: (۱) درج نویز آماری در حوزه سینگرام؛ (۲) تکرار یک شبیه‌سازی معتبر مبتنی بر فیزیک با استفاده از Pix2Pix؛ و (۳) CycleGAN بدون جفت. تصاویر تولید شده برای شبیه‌سازی سناریوی غربالگری LDCT با جایگزینی ۶۹۵ مورد SDCT از مجموعه داده LIDC-IDRI استفاده شدند، که از آن‌ها ویژگی‌های رادیومیک برای آموزش مدل‌های یادگیری ماشین برای طبقه‌بندی ندول ریه استخراج شد. در مورد کیفیت تصویر، CycleGAN بهترین امتیازات فاصله فرشه اینسپشن (۰.۱۷۳۴) و فاصله اینسپشن کرنل (۰.۰۸۱۳؛ ۰.۱۰۰۲) را به دست آورد که نشان‌دهنده هم‌ترازی توزیعی با دامنه هدف دوز پایین است. در وظیفه طبقه‌بندی ندول، نتایج ضرورت انطباق دامنه را تأیید کرد، زیرا یک مدل پایه که بر روی داده‌های SDCT بدون تخریب آموزش دیده بود، نتوانست به مجموعه LDCT واقعی تعمیم یابد (AUC ۰.۷۸۹) با حساسیت پایین (۰.۵۷۱). تصاویر تخریب شده تولید شده با رویکرد CycleGAN منجر به متعادل‌ترین عملکرد در وظیفه طبقه‌بندی با استفاده از طبقه‌بند Adam Booster شد و در تست مستقل به AUC ۰.۸۶۱، حساسیت ۰.۷۴۳ و ویژگی ۰.۸۵۸ دست یافت. یافته‌های ما تأیید می‌کنند که تولید داده‌های مصنوعی LDCT از اسکن‌های با دوز استاندارد، یک استراتژی قابل دوام برای آموزش طبقه‌بندهای ندول قوی برای ندول‌های شناسایی شده در غربالگری است.

Low-dose computed tomography (LDCT) is the standard modality for lung cancer screening, known for its low radiation dose but high noise levels. While existing literature focuses on denoising LDCT images, comparative research on simulating LDCT characteristics to directly use these images for model development is lacking. This study shifts the focus from denoising images to degrading available standard-dose CT (SDCT) data, generating synthetic images for data augmentation to train classifiers for screening-detected nodules. We compare three degradation methods: (1) a sinogram domain statistical noise insertion; (2) replicate a validated physics-based simulation using Pix2Pix; and (3) unpaired CycleGAN. The generated images were utilized to simulate LDCT screening scenario replacing 695 SDCT cases from the LIDC-IDRI dataset, from which radiomic features were extracted to train machine learning models for lung nodule classification. Regarding image quality, CycleGAN achieved the best Fréchet inception distance (0.1734) and kernel inception distance (0.0813; 0.1002) scores, indicating distributional alignment with the target low-dose domain. In the nodule classification task, results confirmed the necessity of domain adaptation since a baseline model trained on non-degraded SDCT data failed to generalize to the real LDCT set (AUC 0.789) with a low sensitivity (0.571). Degraded images generated using CycleGAN approach led to the most balanced performance on the classification task using Adam Booster classifier, achieving an AUC of 0.861, sensitivity of 0.743 and specificity of 0.858 in the independent test. Our findings confirm that generating synthetic LDCT data from standard-dose scans is a viable strategy for training robust nodule classifiers for screening detected nodules.