通过使用深度学习衍生的毛细体输入函数,提高血脑屏障透性的测量,减少扫描时间
Jonghyun Bae1, Chenyang Li2, Arjun Masurkar3
1Vilcek Institute of Graduate Biomedical Science, New York University School of Medicine; Center for Biomedical Imaging, Radiology, New York University School of Medicine; Center for Advanced Imaging Innovation and Research, Radiology, New York University School of Medicine; Department of Radiology, Weill Cornell Medical College.
NeuroImage
|July 28, 2023
概括
一个深度学习网络估计了毛细血管输入功能 (CIF) 准确的血脑屏障 (BBB) 透性评估. 这种方法减少了扫描时间和不确定性,可以检测与年龄相关的BBB变化.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 动态对比增强型MRI (DCE-MRI) 对运动参数估计至关重要.
- 动脉输入函数 (AIF) 在DCE-MRI参数估计中引入不确定性.
- 精确评估血脑屏障 (BBB) 透性对于诊断神经疾病至关重要.
研究的目的:
- 评估一个深度学习网络,用于在DCE-MRI中估计毛细体输入函数 (CIF).
- 评估使用CIF来估计BBB透性的可行性,减少扫描时间.
- 在动力参数估计中,尽量减少与AIF相关的不确定性.
主要方法:
- 开发和训练了一个深度学习网络,从DCE-MRI数据中预测CIF.
- 通过将25分钟的扫描时间缩短到10分钟,模拟减少扫描时间.
- 使用AIF (Ca) 和CIF (Cp) 与参考值进行比较的BBB透率 (PS) 估计.
主要成果:
- 基于CIF的方法 (Cp-10分钟) 与基于AIF的方法 (Ca-10分钟) 相比,减少了81%的PS高估.
- 布兰德·奥尔特曼分析显示,使用CIF的参考值显著改善了一致性 (平均差异1.63 ± 2.25 x10-4 min-1).
- 检测到与年龄相关的BBB透率显著增加 (75%的灰质,35%的白质).
结论:
- 深度学习使得DCE-MRI可行的CIF估计成为可能.
- 这种方法可以准确地评估BBB透性,缩短扫描时间.
- 该方法自动选择CIF,减少用户依赖的不确定性,改善与年龄相关的变化检测.
