时空物理信息学习:在急性缺血性中风中CT输液分析的新方法
Lucas de Vries1, Rudolf L M van Herten2, Jan W Hoving3
1Amsterdam UMC location University of Amsterdam, Biomedical Engineering and Physics, Meibergdreef 9, Amsterdam, 1105 AZ, The Netherlands; Amsterdam UMC location University of Amsterdam, Radiology and Nuclear Medicine, Meibergdreef 9, Amsterdam, 1105 AZ, The Netherlands; Informatics Institute, University of Amsterdam, Amsterdam, The Netherlands; Amsterdam Cardiovascular Sciences, Amsterdam, The Netherlands; Amsterdam Neuroscience, Amsterdam, The Netherlands.
这项研究介绍了SPPINN,一种新的基于物理的神经网络,用于分析急性缺血性中风中噪音CT perfusion数据. 该方法准确估计脑 perfusion 参数,并识别心脏病核心,改进中风成像分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 在急性缺血性中风中,CT输液成像对于评估大脑组织至关重要.
- 标准CT输液分析软件在与噪音数据作斗争,影响准确性.
- 软件调整通常需要在 perfusion 分析中减轻噪声效应.
研究的目的:
- 使用物理信息学习开发一种耐噪声的CT perfusion分析方法.
- 引入SPPINN (空间时空 perfusion physics-informed神经网络) 进行增强的大脑 perfusion 估计.
- 在模拟和现实患者数据上验证SPPINN的性能.
主要方法:
- 提出了SPPINN,一种以时空物理为基础的神经网络方法.
- 利用CT输液扫描对比度减弱的隐性神经表示.
- 根据模拟数据,内部患者数据和公共基准数据集进行验证.
主要成果:
- 尽管噪音水平很高,但SPPINN可以实现精确的 perfusion 参数估计.
- 该方法成功地将健康的大脑组织与心脏病发作的组织区分开来.
- 由脊髓生成的输液图显示与参考心脏病核心细分有很强的对应.
结论:
- 基于物理的学习为CT输液分析提供了一个噪声强大的框架.
- SPPINN提供精确的大脑输液估计,即使有噪音数据.
- 这种方法提高了成像在急性缺血性中风评估的可靠性.
更多相关视频
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
10:31Non-invasive Imaging and Analysis of Cerebral Ischemia in Living Rats Using Positron Emission Tomography with 18F-FDG
Published on: December 28, 2014