用深度学习减少脑脊髓液流动人工物,以优化对脊柱MRI中脊柱通道狭窄的评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 大脑脊髓液 (CSF) 流动器件在宫脊椎MRI中构成了挑战.
• 精确量化脊柱管狭窄症对于诊断和治疗规划至关重要.

研究的目的:

• 利用循环生成对抗网络 (CycleGAN) 深度学习来减少椎脊柱MRI中的CSF流动工件.
• 为了评估CycleGAN对脊柱管狭窄症量化协议的影响.

主要方法:

• 一个CycleGAN模型在9633对MR图像上进行了训练,并在104对上进行了测试.
• 使用T2 TSE图像作为输入,使用T2 FFE图像指导文物减少.
• 定量和定性评估评估了CSF人工物减少.
• 四名评级人员使用加权的卡帕对原始和CycleGAN生成的图像进行了评估.

主要成果:

• 与原始T2 TSE和FFE图像相比,CycleGAN在生成的图像中显著减少了CSF流动工件.
• 使用CycleGAN生成的图像进行脊柱管狭窄的评估,与原始图像 (kappa = 0.48-0.71) 相比,显示了较好的评价者间一致性 (kappa = 0.61-0.75).

结论:

• CycleGAN有效地减少了宫脊椎MRI中的CSF流动器件.
• 循环GAN生成的图像提高了脊柱管狭窄症评估的一致性,实现了与传统多序列方法相比的一致性.