深度学习否定算法的对扩散电张器成像的影响 增长板的成像在不同的空间分辨率上
Laura Santos1, Hao-Yun Hsu1, Ronald R Nelson1
1Radiology Department, Columbia University Irving Medical Center, New York, NY 10032, USA.
Tomography (Ann Arbor, Mich.)
|April 26, 2024
概括
深度学习 (deep learning) 无效化改善了儿科膝盖扫描中的扩散张力成像 (DTI) 度量,特别是在更高分辨率的情况下. 这种技术提高了信号与噪声的比率,使得DTI数据的量化更加精确.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 扩散张力成像 (DTI) 对于评估白质完整性至关重要.
- 在DTI中较低的空间分辨率可能导致信号噪声比率 (SNR) 降低,影响定量准确性.
- 深度学习 (DL) 算法显示出改善医学成像中的图像质量的潜力.
研究的目的:
- 为了评估DL无声算法对DTI指标的影响,该指标来源于带有不同voxel尺寸的儿科膝盖扫描.
- 为了比较DL重建的DTI扫描与不同空间分辨率的非denoized扫描的性能.
主要方法:
- 一项前性研究对儿童患者进行,这些患者接受左膝盖3T磁力共振扫描.
- 采集了两个具有不同voxel尺寸的DTI序列:2.0 × 2.0 × 3.0 mm3和2.0 × 2.0 × 2.0 mm3.
- 在DTI数据上应用了供应商提供的DL模型,降低了75%的噪声. 使用统计分析 (Wilcoxon签名排序测试) 和Bland-Altman图表,将DL重建和非denoized扫描之间的DTI通道指标进行了比较.
主要成果:
- 在2.0 × 2.0 × 3.0 mm3的voxel维度下,DL无声化没有显著改变通道数量,通道体积或带通道长度,但显著改善了股骨通道长度 (p < 0.01).
- 使用2.0毫米3的同体积计声素尺寸,来自DL重建扫描的所有DTI指标 (通道数量,体积,长度,分数异性质 (FA)) 与未经退化扫描显著不同 (p < 0.001).
- DL重建导致两种voxel维度 (p <0.01) 的股骨管 FA显著下降 (p <0.01).
结论:
- 深度学习的否定可以减轻与DTI中较小的voxel大小相关的SNR限制.
- 这种方法利用了改善的空间分辨率,可能导致在儿科膝盖成像中更准确地量化DTI指标.
- DL算法为提高儿童肌肉骨应用中DTI的诊断价值提供了一个有希望的策略.
