深度学习用于输血 脑血流 (CBF) 和体积 (CBV) 预测和诊断
Salmonn Talebi1, Siyu Gai2, Aaron Sossin3
1Departments of Bioengineering and Mechanical Engineering, University of California, 208A Stanley Hall #1762, Berkeley, CA, 94720-1762, USA.
Annals of biomedical engineering
|February 24, 2024
概括
一个新的深度学习模型准确地预测脑 perfusion 参数,如相对脑血量 (rCBV) 和相对脑血流 (rCBF) 从动态灵敏度对比磁共振 perfusion (DSC-MRP) 数据.
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:
- 动态敏感性对比磁共振输液 (DSC-MRP) 对于诊断内病理至关重要.
- 目前用于DSC-MRP分析的方法耗时且依赖于用户,导致结果不一致.
- 深度学习为更强大,更有效的 perfusion 参数计算提供了一个潜在的解决方案.
研究的目的:
- 从DSC-MRP数据开发和评估一种深度学习模型,用于从DSC-MRP数据中预测voxel-wise perfusion参数.
- 将深度学习模型的性能与FDA批准的商业软件进行比较.
- 评估模型整合时间和空间特征的能力,以全面预测大脑体积.
主要方法:
- 在4D DSC-MRP数据集上训练了一种结合1D CNN和2D U-Net编码解码器的多阶段深度学习模型.
- 来自FDA批准的软件的相对脑血量 (rCBV) 和相对脑血流 (rCBF) 地图用于训练.
- 用一个辅助模型来评估使用截断数据集的时间特征的贡献.
主要成果:
- 深度学习模型有效地整合了时间和空间数据,以预测voxel-wise perfusion参数.
- 生成的rCBV和rCBF地图显示了整个大脑体积的全面预测.
- 定性和定量评估显示,性能与FDA批准的商业软件相提并论.
结论:
- 开发的深度学习模型为计算DSC-MRP perfusion 参数提供了强大的和高效的替代方案.
- 这种方法减轻了传统,耗时和用户敏感的方法的局限性.
- 该模型对改善内病理的临床诊断和评估充满希望.
