通过深度学习进行自动大脑结构细分,用于F-化氧葡萄糖正子发射断层扫描/磁共振图像
Zhenxing Huang1, Han Liu1, Yaping Wu2
1Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Quantitative imaging in medicine and surgery
|July 17, 2023
概括
这项研究引入了一个深度学习模型,用于使用PET和MRI扫描对大脑结构进行细分. 与单一模式方法相比,双模式方法显著提高了准确性和速度,有助于诊断大脑疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 大脑结构的细分对于诊断神经系统疾病至关重要.
- 磁共振成像 (MR) 由于其高分辨率,通常用于细分.
- 整合功能 (PET) 和结构 (MRI) 数据可以提高分析准确性.
研究的目的:
- 开发和评估用于大脑PET/MR图像的双模式图像细分模型.
- 为了提高大脑结构划分的准确性和效率.
- 为了比较双模态方法与单模态细分方法.
主要方法:
- 基于U-Net的深度学习架构被用于双模式细分.
- 处理的模型注册了F-fluorodeoxyglucose (F-FDG) PET和MR图像作为并行输入.
- 细分性能使用Dice分数,Jaccard系数,精度和灵敏度进行评估.
主要成果:
- 拟议的算法实现了高性能指标:84.24%的子得分,74.36%的贾卡德得分,84.33%的精度和84.73%的灵敏度在120个患者数据集上.
- 与仅使用PET和MRI的细分策略相比,双模式方法的准确性更高.
- 分段时间显著减少到每名患者的20秒,超过FreeSurfer工具包的性能.
结论:
- 一种新的深度学习方法使解剖和功能PET/MR图像的联合细分成为可能.
- 这种方法大大提高了大脑结构划分的准确性,而不是单一模式的技术.
- 该方法显示了促进大脑分析和诊断的巨大潜力.
