在扩散加权成像中提高图像质量,使用基于模型的深度学习重建来评估头部和部
Noriyuki Fujima1, Junichi Nakagawa2, Hiroyuki Kameda3
1Department of Diagnostic and Interventional Radiology, Hokkaido University Hospital, N14 W5, Kita-Ku, Sapporo, 060-8638, Japan. fujima@med.hokudai.ac.jp.
Magma (New York, N.Y.)
|November 22, 2023
概括
与传统并行成像 (PI) 相比,深度学习 (DL) 重建显著改善了头部和部扩散权重成像 (DWI) 的质量. 这种基于模型的DL方法提高了图像质量,以便在头部和部成像中获得更好的诊断见解.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 头部和部扩散权重成像 (DWI) 对于诊断和监测病变至关重要.
- 传统的基于并行成像 (PI) 的重建方法可能受到文物和低于最佳的图像质量限制.
研究的目的:
- 评估基于模型的深度学习 (DL) 方法对头部和部DWI图像重建的有效性.
- 为了比较基于DL的重建与基于PI的传统重建的图像质量.
主要方法:
- 对41名患者头部和部DWI的回顾性分析,包括25名未经治疗的病变患者.
- 使用五分尺度对图像质量,文物程度和损伤明显性的定性评估.
- 对各种解剖结构和病变的信号噪声比 (SNR) 和对比噪声比 (CNR) 的定量评估.
主要成果:
- 基于DL的重建与基于PI的重建相比,在所有定性评估参数中显示了统计学上显著的改善 (p < 0.001).
- 定量分析显示,所有测量项目的DL和PI基础的重建之间SNR和CNR的显著差异 (p = 0.002到p < 0.001).
结论:
- 基于模型的深度学习图像重建为头部和部DWI提供了显著的进展.
- 基于DL的重建有效地提高了图像质量,为头部和部成像提供了足够的诊断实用.
