一种新的自动细分方法,直接基于磁共振成像K空间数据,用于质瘤的辅助诊断
Yikang Li1,2, Yulong Qi3, Zhanli Hu1
1Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Quantitative imaging in medicine and surgery
|February 28, 2024
概括
这项研究引入了一种新的深度残留U-net架构,用于从K空间数据直接对脑瘤进行细分,通过避免图像重建来提高质瘤诊断的准确性和效率. 该方法显著优于传统方法,提供了更精确,更快的诊断工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 使用分割架构的传统质瘤诊断方法在快速里埃转换 (FFT) 过程中可能会丢失关键细节.
- 医疗图像细分需要直接方法,可以绕过FFT的信息丢失.
- 适应道路提取细分架构用于医学成像,为改善质瘤诊断提供了一条新的途径.
研究的目的:
- 开发一种新的深度残留U-net架构,用于直接从K空间数据中自动对脑瘤进行细分.
- 为了评估这种架构在K空间数据上的性能,在临床适用性方面具有不同的样本不足率.
- 为了证明直接K空间细分比传统的基于图像的方法的优越性.
主要方法:
- 开发一种新的深度残留U-net架构.
- 使用K空间数据作为细分的主要输入,绕过快速里埃转换 (FFT) 过程.
- 从不同样本不足率获得的K空间数据对脑瘤的细分.
主要成果:
- 拟议的架构与2018年脑瘤细分 (BraTS) 挑战的基准相比,实现了更高的性能.
- 获得了0.8573 (WT),0.8789 (TC) 和0.7765 (ET) 的子得分,相应的豪斯多夫距离为2.5649,1.6146和2.7187.
- 与传统方法相比,在各种样本不足率下,K空间数据的细分精度大约提高了10%.
结论:
- 这种新的架构显著优于以前用于脑瘤细分的方法.
- 从K空间数据直接细分消除了需要耗时的图像重建的需求,提高了效率.
- 这种方法为结质瘤诊断提供了更精确,更有效的方法.
