使用3d u-net生成高角度分辨率扩散成像
Yuichi Suzuki1, Tsuyoshi Ueyama1, Kentarou Sakata1
1Radiology Center, The University of Tokyo Hospital, Tokyo, Japan.
Neuroradiology
|January 18, 2024
概括
人工智能通过在扩散权重成像 (DWI) 中预测运动探测梯度 (MPG) 来增强扩散通道学. 这种由人工智能驱动的方法与传统方法相比,显著提高了轨道图的准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 扩散张力成像 扩散张力成像
背景情况:
- 扩散加权成像 (DWI) 对于导管学至关重要,绘制大脑中的白质路径.
- 运动探测梯度 (MPG) 对于获取DWI数据至关重要,但它们的获取可能耗时.
- 人工智能 (AI) 提供了优化医疗成像采集和分析的潜力.
研究的目的:
- 评估人工智能预测的MPG对扩散路谱学准确性的影响.
- 为了比较使用AI预测的MPG数据与传统MPG数据的曲谱学结果.
主要方法:
- 在251名患者的DWI数据 (脑瘤/发作) 上训练了一个卷积神经网络.
- 人工智能模型使用b=0图像和第一个32个MPG方向作为输入预测了32个MPG方向.
- 曲谱图仅使用 (a) 输入数据, (b) 输入加上人工智能预测数据,以及 (c) 全64个MPG数据 (参考).
主要成果:
- 人工智能预测的MPG数据显著提高了Q球成像中的通道图谱准确性 (子相似系数 [DSC] 0.715与0.697,p<0.05).
- 在一般化q采样成像中,AI预测的MPG数据也显示出显著的改善 (DSC 0.769与0.738,p<0.01).
- 加上人工智能预测的MPG数据,在两种成像技术中都提高了子相似系数.
结论:
- 基于人工智能的MPG预测可以显著提高扩散谱图的质量和准确性.
- 这种人工智能方法为增强神经成像中白质路径可视化提供了一个有前途的方法.
