在血液氧化水平依赖 (BOLD) 图像中使用基于深度学习的细分来精确排除受敏感性人工物影响的部位

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 脏生理学 脏生理学

背景情况:

• 敏感性人工物 (SA) 在脏血液氧化水平依赖 (BOLD) 成像中很普遍.
• 在量化氧化时,SA可能会引入重大错误.
• 准确的细分对于脏中可靠的BOLD信号分析至关重要.

研究的目的:

• 开发和验证一种深度学习方法,以排除SA受影响的区域在脏BOLD图像中.
• 提高脏氧化量化的准确性和效率.

主要方法:

• 一个ResUNet深度学习模型在CT和BOLD图像上进行了训练,用于脏细分.
• 该方法通过分析不同回声时间 (TE) 的细分区域来识别无SA脏区域.
• 蒙特卡洛模拟和手动细分用于验证和准确性评估 (DICE评分).

主要成果:

• 与手动细分相比,拟议的深度学习方法获得了93.9%±3.4%的高整体DICE分数.
• 在不同程度的SA严重程度上保持了准确的细分 (DICE分数从92.8%到94.5%不等).
• 对SA的校正导致R2*值显著下降,表明氧化估计得到了改善.

结论:

• 开发的深度学习方法自动准确地对进行细分,同时排除SA受影响的区域在BOLD图像中.
• 这种技术有可能提高脏BOLD数据量化的速度和精度.
• 这些发现表明,它是研究和临床应用的宝贵工具,涉及脏氧化评估.