k-strip:一个新的分段算法在k空间用于应用头骨剥离
Moritz Rempe1, Florian Mentzel2, Kelsey L Pomykala3
1The Institute for AI in Medicine (IKIM), University Hospital Essen, Girardetstraße 2, Essen 45131, Germany; Otto-Hahn-Straße 4a, Department of Physics of the Technical University Dortmund, Dortmund 44227, Germany.
Computer methods and programs in biomedicine
|November 19, 2023
概括
我们开发了一种新的深度学习算法,可以在k空间中直接进行头骨剥离,从而在磁共振成像 (MRI) 中保存关键的相位信息. 这种方法提供了一致的结果,并使患者数据立即匿名化.
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:
- 骨剥离对于分析大脑磁共振成像 (MRI) 数据至关重要.
- 当前的方法在图像领域运行,可能会丢失有价值的信息.
- 深度学习为提高头骨剥离精度和效率提供了潜力.
研究的目的:
- 介绍一个新的深度学习算法,用于骨剥离,直接在MRI数据的k空间中运行.
- 为了证明保存相位信息的能力,这通常会在图像域方法中丢失.
- 在多个不同的数据集中验证算法的性能.
主要方法:
- 一个深度学习网络被设计用于处理原始k空间数据.
- 该算法在来自不同机构的四个大型数据集上进行了训练和测试 (大约. 20万个MRI切片). 这是一个很好的例子.
- 性能与地面真相数据进行评估,包括HD-BET (大脑提取工具) 和手动细分,使用DICE分数和豪斯多夫距离.
主要成果:
- 基于k空间的算法实现了高精度,DICE得分从92%到99%不等,所有数据集的Hausdorff距离低于5.5像素.
- 在眼部区域以上的切片中观察到异常性能 (高达99%的DICE).
- 在眼睛周围和眼睛以下的区域观察到微小的精度下降,一些输出模糊.
结论:
- 在k空间频率域中进行头骨剥离是可行的,并产生一致的结果.
- 该算法保留了有价值的阶段信息,增强了诊断潜力,并使数据立即匿名化.
- 对利用k空间进行先进的MRI分析和工作流程的进一步研究是有必要的.
