从相对照MRI和深度学习中自动量化总脑血流量
Jinwon Kim1, Hyebin Lee2, Sung Suk Oh3
1School of Electronic and Electrical Engineering, Kyungpook National University, IT1-603, Daehak-ro 80, Buk-gu, Daegu, 41075, Republic of Korea.
Journal of imaging informatics in medicine
|February 12, 2024
概括
一种新的深度学习方法使用相对照MRI自动测量全脑血流 (tCBF),提高大脑健康评估的准确性和效率.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 总脑血流 (tCBF) 对于评估大脑健康至关重要.
- 阶段对比 (PC) 磁共振成像 (MRI) 非侵入性测量tCBF,但需要耗时的手动动脉选择.
- 手动细分的主观性和时间要求阻碍了常规的临床应用.
研究的目的:
- 开发和验证用于自动化tCBF量化深度学习 (DL) 技术.
- 提高PC MRI tCBF测量的效率和客观性.
主要方法:
- 通过使用预处理的PC MRI大小和相位图像,训练U-Net深度学习模型进行动脉血管三类细分.
- 在内部和外部测试数据集上使用Dice系数和交叉点对联 (IoU) 评估了网络性能.
- tCBF是从DL衍生的细分图计算出来的,并与使用确定相关性 (R2),类内相关系数 (ICC) 和布兰德-阿尔特曼分析的手动测量进行比较.
主要成果:
- DL细分网络在标记动脉血管方面取得了高准确度 (内部: Dice=0.92, IoU=0.86;外部: Dice=0.90, IoU=0.82).
- 自动化tCBF量化结果与手动方法相一致 (内部:R2=0.85,ICC=0.91;外部:R2=0.88,ICC=0.93).
- 配对t测试表明自动和手动tCBF估计之间没有显著差异 (p=0.52和p=0.88分别用于内部和外部测试).
结论:
- 基于深度学习的方法可以从部PCMRI中准确和自动量化tCBF.
- 这种自动化协议为tCBF评估提供了一种可行的,高效和客观的替代手工方法.
- 这些发现支持DL在推进非侵入性神经血管健康监测方面的潜力.
