动态参数核磁共振和深度学习:通过精确的脏大小量化揭示脏病理生理学
Tobias Klein1,2, Thomas Gladytz1, Jason M Millward1
1Berlin Ultrahigh Field Facility (B.U.F.F.), Max Delbrück Center for Molecular Medicine in the Helmholtz Association, Berlin, Germany.
NMR in biomedicine
|December 3, 2023
概括
动态参数核磁共振和深度学习准确地测量了大鼠脏大小的变化,有助于脏疾病的诊断和研究. 这种人工智能驱动的方法在临床前模型中提供了精确的,自动化的脏大小变化的量化.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 腎病理生理學 腎病理生理學
背景情况:
- 体大小的改变是病理的关键指标.
- 动态参数核磁共振 (MRI) 提供了一种非侵入性方法来测量的大小.
- 准确的细分对于利用大小作为生物标志物至关重要.
研究的目的:
- 从动态参数MRI开发和验证一个深度学习模型,用于精确的脏细分.
- 在病的临床前模型中评估自动大小量化的实用性.
- 建立脏大小作为监测脏病理生理学的敏感生物标志物.
主要方法:
- 在老鼠中使用动态参数T2映射MRI.
- 开发了一个定制的深度扩展U-Net (DDU-Net) 架构,用于脏细分.
- 训练并验证了DDU-Net与手动细分和其他模型相比.
- 将DDU-Net应用于纵向体内MRI数据,并诱导损伤.
主要成果:
- 该DDU-Net实现了高准确性,子系数为0.98和R平方为0.92.
- 自动定量准确检测到急性脏大小变化 (例如,在对比诱导的AKI中,11%).
- 该模型在模仿临床场景的各种干预措施中展示了强大的性能.
结论:
- 基于深度学习的动态参数MRI细分能够准确和自动化地量化脏大小.
- 这种方法在脏疾病的临床前研究中是一个有价值的工具.
- 该方法具有开发基于MRI的脏疾病的先进诊断和监测工具的潜力.
