在使用八对比磁共振图像的单对比卷积神经网络模型中,头骨剥离的准确性

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 在自动化分析中,骨剥离对于准确的大脑形态测量至关重要.
• 与传统方法相比,卷积神经网络 (CNN) 在骨剥离方面表现优越.
• 优化头骨剥离精度对于推进脑图像分析至关重要.

研究的目的:

• 为了评估使用八对比磁共振 (MR) 图像进行头骨剥离的单对比CNN模型的准确性.
• 为了比较基于CNN的脑抽取不同MR对比的性能.
• 在CNN模型中确定最佳的MR对比度,以改善骨剥离.

主要方法:

• 一个单对比的CNN模型使用专家定义的内体积 (ICVG) 面具进行训练.
• 从12名健康参与者和12名患有Sturge-Weber综合征的患者身上采集了8张对比MR图像,使用3TMR系统.
• 使用Dice相似系数量化精度,以比较CNN衍生的内体积 (ICVE) 与黄金标准的ICVG口罩.

主要成果:

• 在CNN模型中,使用质子密度加权 (PD-WI),相位敏感逆转回收 (PSIR) 和PD-short tau逆转回收 (PD-STIR) 对比度进行头骨剥离的准确度显著提高.
• 这些对比比较优于T1加权 (T1-WI),T2流体减弱反转回收 (FLAIR) 和T1-FLAIR对比.
• 子相似系数表明PD-WI,PSIR和PD-STIR在脑部提取中的性能优越.

结论:

• 建议采用质子密度加权 (PD-WI),相位敏感反转恢复 (PSIR) 和PD-short tau反转恢复 (PD-STIR) 进行基于CNN的头骨剥离.
• 这些对比比为CNN模型中大脑提取的T1-加权 (T1-WI) 图像提供了更好的准确性.
• 利用这些最佳对比可以提高自动化脑形态测量分析的可靠性.