HepatoGEN

HepatoGEN数据集是由拜耳公司的研究人员创建的，包含来自欧洲、美国和亚洲多个医疗机构的肝脏动态对比增强磁共振成像（DCE-MRI）扫描数据，主要用于生成肝胆期（HBP）图像。该数据集由5322名患者的肝脏扫描数据组成，包括无对比、动脉、门静脉、过渡和肝胆期等动态阶段。数据集经过筛选，以确保图像质量的一致性，并通过引入对比进化分数（CES）来优化训练数据的质量。HepatoGEN数据集旨在解决肝脏MRI扫描时间过长的问题，通过深度学习模型合成HBP图像，以减少扫描时间而不影响诊断质量。

The HepatoGEN Dataset was created by researchers at Bayer. It consists of liver dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) scan data from multiple medical institutions across Europe, the United States and Asia, and is primarily used for generating hepatobiliary phase (HBP) images. The dataset comprises liver scan data from 5322 patients, covering dynamic phases including unenhanced, arterial, portal venous, transitional and hepatobiliary phases. It was rigorously screened to ensure consistent image quality, and the contrast evolution score (CES) was introduced to optimize the quality of training data. The HepatoGEN Dataset aims to address the problem of excessively long scan times for liver MRI examinations, by synthesizing HBP images using deep learning models to reduce scan duration without compromising diagnostic quality.

原始信息汇总

HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models

数据集概述

• 研究目标: 通过深度学习模型从早期对比阶段（预对比和过渡期）合成肝胆期（HBP）MRI图像，以减少扫描时间。
• 应用场景: 肝脏MRI动态对比增强成像，用于检测和表征肝脏局灶性病变。

关键信息

数据集来源

• 数据来源: 多中心DCE-MRI数据集，来自不同临床环境。
• 数据质量评估: 引入对比演化评分（CES）以评估训练数据质量。

生成模型比较

• 模型类型:
  • 感知U-Net
  • 感知GAN（pGAN）
  • 去噪扩散概率模型（DDPM）
• 性能评估:
  • pGAN在定量评估中表现最佳，但在分布外案例中引入异质性对比。
  • U-Net产生一致的肝脏增强效果，伪影较少。
  • DDPM在保留精细结构细节方面表现不佳。

临床案例展示

• 病例类型:
  • 肝细胞癌（HCC）
  • 局灶性结节性增生（FNH）
  • 肝血管
• 评估重点: 病变对比度、形状和血管分支结构的保留情况。

研究结果

• 可行性: 合成HBP图像可减少扫描时间，且不影响诊断效用。
• 最佳模型: pGAN在定量评估中表现最佳，但U-Net在一致性和伪影控制上更优。

相关资源

• 论文链接: arXiv论文
• 代码状态: 即将发布

引用信息

bibtex @misc{hooge2025hepatogengeneratinghepatobiliaryphase, title={HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models}, author={Jens Hooge and Gerard Sanroma-Guell and Faidra Stavropoulou and Alexander Ullmann and Gesine Knobloch and Mark Klemens and Carola Schmidt and Sabine Weckbach and Andreas Bolz}, year={2025}, eprint={2504.18405}, archivePrefix={arXiv}, primaryClass={eess.IV}, url={https://arxiv.org/abs/2504.18405} }

搜集汇总

数据集介绍

构建方式

HepatoGEN数据集的构建基于多中心、多站点的动态对比增强磁共振成像（DCE-MRI）扫描，涵盖欧洲、美国和亚洲多个医院的肝脏扫描数据。数据集经过严格的筛选和预处理，包括图像质量过滤、相位对齐和强度归一化。特别引入了对比演化评分（CES）来优化训练数据质量，确保样本具有显著的对比度提升和肝脏增强效果。

使用方法

HepatoGEN数据集的使用方法包括多阶段动态MRI图像的输入和肝胆期图像的合成。用户可以通过预训练的生成模型（如感知U-Net、pGAN或DDPM）将早期对比阶段（如预对比和过渡期）的图像转换为HBP图像。数据集还提供了详细的评估指标和放射科医生的盲审结果，帮助用户验证合成图像的临床适用性。

背景与挑战

背景概述

HepatoGEN数据集由Bayer AG等机构的研究团队于2025年提出，旨在通过深度学习模型从动态对比增强磁共振成像（DCE-MRI）的早期对比阶段合成肝胆期（HBP）图像。该数据集的核心研究问题是解决HBP图像获取时间长、患者舒适度低及扫描效率受限的临床挑战。通过整合多中心、多站点的DCE-MRI扫描数据，HepatoGEN为肝脏病变的检测与诊断提供了高效且可靠的合成图像解决方案，显著提升了肝脏MRI的动态对比增强技术在临床中的应用潜力。

当前挑战

HepatoGEN数据集面临的挑战主要包括两方面：领域问题的挑战与构建过程的挑战。在领域问题方面，合成HBP图像需精准保留肝脏解剖结构与病变特征，同时避免引入可能影响诊断的伪影或对比异质性。构建过程中，数据预处理需解决动态相位间的像素级对齐问题，且数据质量的高度依赖性使得模型对对比剂摄取不足的样本表现不稳定。此外，多中心数据的异质性（如扫描参数、患者群体差异）进一步增加了模型泛化与临床部署的难度。

常用场景

经典使用场景

HepatoGEN数据集在医学影像领域被广泛应用于肝脏磁共振成像（MRI）的对比增强研究。该数据集通过生成肝胆期（HBP）MRI图像，显著减少了传统扫描所需的长时间等待，从而优化了临床工作流程。其经典使用场景包括肝脏病变的检测与表征，尤其是在动态对比增强MRI（DCE-MRI）中，通过合成高质量的HBP图像，为医生提供了更高效的诊断工具。

解决学术问题

HepatoGEN数据集解决了医学影像合成中的多个关键学术问题。首先，它通过深度学习模型（如感知U-Net和pGAN）实现了从早期对比阶段到HBP的高质量图像转换，显著提升了图像的结构相似性和诊断效用。其次，数据集引入的对比演化评分（CES）优化了训练数据的质量，解决了数据噪声和不一致性对模型性能的影响。此外，该研究还系统比较了CNN、GAN和DDPM等多种生成模型在动态对比增强任务中的表现，为后续研究提供了重要参考。

实际应用

HepatoGEN数据集在实际临床应用中具有广泛潜力。通过生成合成HBP图像，该技术能够显著缩短MRI扫描时间，提升患者舒适度并提高设备利用率。在肝脏病变诊断中，合成图像能够提供与真实HBP图像相当的诊断信息，尤其在资源有限的医疗环境中，这种技术可以作为一种高效的替代方案。此外，该数据集还可用于医学影像教育，帮助培训放射科医生识别和解读肝脏病变。

数据集最近研究

最新研究方向

近年来，HepatoGEN数据集在医学影像合成领域引起了广泛关注，特别是在肝胆期MRI图像的生成方面。该数据集通过整合多中心、多阶段的动态对比增强MRI扫描数据，为深度学习模型提供了丰富的训练资源。研究热点主要集中在生成对抗网络（GAN）和扩散概率模型（DDPM）在图像合成中的应用，旨在减少扫描时间同时保持诊断质量。通过引入对比演化评分（CES）优化训练数据质量，HepatoGEN在提升模型性能和临床适用性方面展现了显著潜力。这一研究方向不仅推动了医学影像技术的进步，还为肝脏疾病的早期诊断和治疗规划提供了新的工具。

相关研究论文

• HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models

  拜耳公司 · 2025年