功能引导的深度学习可以减少信号损失,并增加肝脏扩散权重成像中的损伤CNR
Tobit Führes1, Marc Saake1, Jennifer Lorenz1
1Institute of Radiology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Erlangen, Germany.
Zeitschrift fur medizinische Physik
|August 5, 2023
概括
一种新的深度学习方法通过减少信号损失和改善血管可见性来增强扩散权重肝脏图像,优于传统技术. 这种方法为肝脏成像中的更好的图像质量提供了可行的替代方案.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 扩散权重成像 (DWI) 对于肝病变的特征化至关重要.
- 脉冲器件,特别是左肝叶的脉冲器件,降低了DWI质量.
- 传统的后加工方法在减少工件和保存特征方面存在局限性.
研究的目的:
- 开发和评估一个特征导向的深度学习方法来增强DWI肝脏图像.
- 将深度学习方法与优化的传统后处理算法进行比较.
- 为了特别解决和减少左肝叶中脉冲诱导的信号损失.
主要方法:
- 基于U-Net的深度学习模型使用40名肝病变患者的数据进行训练.
- 深度学习网络优化了四个定量图像特征:损伤对比率 (CNR),容器黑暗,数据一致性和文物减少.
- 一个常规的算法被优化和比较;两种方法都被定量评估和放射科医生评级.
主要成果:
- 这两种方法都改善了损伤的CNR,并减少了信号损失.
- 深度学习方法独特地增加了容器的黑暗,与传统方法不同.
- 定量评分和放射科医生评估表明,使用深度学习方法的图像质量优越.
结论:
- 功能引导的深度学习算法有效地提高了DWI肝脏图像质量.
- 它通过保护和改善船只可见性,为传统方法提供了优势.
- 这种深度学习方法为肝脏成像中的临床应用提供了一个有希望的替代方案.
