基于深度学习的3D脑血管细分工作流程,对明亮和黑色血液序列进行磁共振血管学

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 脑血管疾病对健康构成重大风险.
• 正确的脑血管细分对于诊断和监测至关重要.
• 现有的方法在精确的3D细分方面面临挑战.

研究的目的:

• 开发一种自动化的深度学习工作流程,用于精确的脑血管3D细分.
• 为了提高性能,将卷积神经网络 (CNN) 和变压器模型结合起来.
• 为了评估不同MRI数据集的工作流程的有效性.

主要方法:

• 使用公共 (CSD) 和私人 (MLD) 大脑血管细分数据集.
• 使用U-Net,V-Net,UNETR和SwinUNETR模型进行脑血管细分.
• 集成的数据分析,预处理,增强,模型培训,验证和后处理.

主要成果:

• 在交叉验证折叠中,SwinUNETR获得了最高的子相似系数 (DSC).
• 在CSD测试组中,SwinUNETR获得了最好的DSC,精度 (PRE),灵敏度 (SEN) 和特异性 (SPE).
• 在MLD测试组中,SwinUNETR在分割中脑动脉 (MCA) 和晶状动脉 (LSA) 中表现出卓越的性能.

结论:

• 深度学习工作流显示了不同MRI序列和血管大小的强大性能.
• 该方法促进脑血管结构的可视化,有助于临床实践.
• 这种方法对监测小脑血管,包括晶状动脉,显示出前途.