深度学习阶段错误纠正大脑血管4D流MRI
Shanmukha Srinivas1,2, Evan Masutani1, Alexander Norbash1
1Department of Radiology, University of California San Diego, 200 West Arbor Drive, San Diego, CA, 92103, USA.
Scientific reports
|June 5, 2023
概括
背景相位错误在4D流动MRI影响血液流量量化. 深度学习卷积神经网络 (CNN) 完全自动化校正,与大脑血管流量测量的手动准确度相匹配.
科学领域:
- 医疗成像医学成像
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
背景情况:
- 4D流式MRI的背景相位错误可能会影响脑血管血流量定量.
- 准确的流量测量对于评估影响大脑血管系统的条件至关重要.
研究的目的:
- 为了评估背景相位错误对脑血管流量体积测量的影响.
- 评估手动,基于图像的纠正对这些错误的有效性.
- 调查卷积神经网络 (CNN) 对于自动阶段错误校正的潜力.
主要方法:
- 从48名患者的96个4D流MRI检查的回顾性分析.
- 进行了前,后和静脉循环的流量测量.
- 一个CNN受过训练,可以从4D流数据中直接推断相位错误校正场.
主要成果:
- 手动校正显著改善了进出流的相关性,并减少了流量测量的差异 (p < 0.001).
- 与手动校正相比,自动CNN校正显示了非劣质的性能.
- 在手动和CNN校正方法之间的相关性或偏差方面没有发现显著差异.
结论:
- 剩余背景相位错误可能会损害大脑血管流量测量的输入-输出流的一致性.
- 一个CNN可以有效地自动化相位错误校正,实现与手动方法相似的结果.
- 深度学习为准确和高效的4D流MRI分析提供了一个有前途的方法.
