接近实时的穆勒极度度图像处理用于神经外科干预

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 神经外科 神经外科

背景情况:

• 广场成像穆勒极度度测量为神经外科手术提供白质纤维方向的无标签,非侵入性可视化.
• 传统方法需要很长的获取时间,阻碍实时临床应用.
• 目前的极度测量数据处理限制了将其转化为临床实践.

研究的目的:

• 为快速,单一拍摄,噪音极度测量采集开发一个基于学习的Denoising框架.
• 设计性能优化的图像处理工具,用于导出临床相关的参数.
• 为了实现近实时性能,用于神经外科手术中的极度参数估计.

主要方法:

• 一个深度学习框架被定制用于消除单次射击,噪音极度计强度测量.
• 开发了性能优化的图像处理工具来导出关键的极度度参数.
• 该框架在人类大脑样本上进行了训练和验证,包括瘤受影响的组织.

主要成果:

• 与最先进的方法相比,Denoising框架在准确性和图像质量方面取得了显著的改进.
• 在局部视野 (约6.5毫米2) 中实现了近实时处理.
• 否定的数据显示了神经元纤维通道的明确方向模式,保留了有关瘤病变方向干扰的信息.

结论:

• 开发的端到端图像处理实现了神经外科应用的实时性能.
• 该方法提供了高质量的,无标签的白物质架构可视化.
• 这些进展有助于在瘤神经外科手术中临床翻译穆勒极度学.