使用深度学习从非对比MR图像中合成对比增强的MR图像
Gowtham Murugesan1, Fang F Yu2, Michael Achilleos1
1Department of Radiology, University of Texas Southwestern Medical Center, Dallas, Texas.
AJNR. American journal of neuroradiology
|March 7, 2024
概括
深度学习可以从非对比图像创建虚拟对比增强的MRI扫描,用于脑瘤评估. 这种人工智能方法可能会减少对潜在有毒的加多对比剂的需求.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 基于加多的对比剂引发了毒性问题,需要使用替代的成像方法.
- 深度学习为开发新型成像技术提供了一个有前途的方法.
- 非对比的多参数核磁共振是脑瘤成像的一个更安全的替代方案.
研究的目的:
- 为了合成虚拟的gadolinium对比增强T1加权MR图像从非对比的多参数MR图像在患有原发性脑瘤的患者.
- 评估深度学习在生成现实的对比增强图像方面的有效性.
- 评估减少加多对比剂使用的潜力.
主要方法:
- 一个深度学习网络 (T1c-ET) 使用大脑瘤细分挑战2019数据集 (335名受试者进行培训,125名进行测试) 开发.
- 该网络被训练为同时合成虚拟对比增强T1加权图像 (vT1c) 和细分增强瘤部分.
- 合成的vT1c图像由三个神经放射学家独立评分图像质量和对比度增强.
主要成果:
- 合成的vT1c图像获得了高质量评分 (SSIM:0.91,PSNR:64.35,NMSE:0.03).这些图像的质量得到了很高的评分.
- 该模型在88.8%的案例中准确预测了对比度增强.
- 对于对比度增强预测,观察者之间的中等一致性 (Fleiss kappa = 0.61) 被观察到.
结论:
- 开发了一种新的深度学习架构,用于从非对比脑MRI中合成虚拟对比增强.
- 这项研究证明了深度学习的潜力,可以减少对原发性脑瘤评估中的加多对比剂的依赖.
- 这种由人工智能驱动的方法为脑瘤成像提供了一种更安全,更容易获得的方法.
