DCE-Qnet:动态对比增强 (DCE) MRI深度网络量化
Ouri Cohen1, Soudabeh Kargar1, Sungmin Woo2
1Department of Medical Physics, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
ArXiv
|June 3, 2024
概括
一个新的神经网络,DCE-Qnet,通过整合药理动力学建模和减少扫描时间来增强动态对比增强MRI (DCE-MRI) 量化. 这种方法提高了临床应用的准确性和可重复性.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 动态对比增强磁共振成像 (DCE-MRI) 提供了宝贵的临床见解.
- 对于DCE-MRI来说,强大的药理动力学建模仍然是广泛临床采用的重大挑战.
- 准确的量化需要复杂的建模和经常多个成像序列.
研究的目的:
- 开发和验证一个新的神经网络,DCE-Qnet,用于全面的DCE-MRI量化.
- 与传统方法相比,评估DCE-Qnet的准确性和可重复性.
- 证明DCE-Qnet在癌症成像中的临床实用性和效率.
主要方法:
- 使用基于扩展Tofts模型和帕克动脉输入函数的模拟DCE-MRI数据训练了一个7层神经网络 (DCE-Qnet).
- 网络培训包括B1异质性,以估计输液参数 (Ktrans,vp,ve),T1放松,质子密度和玻尿酸到达时间 (BAT).
- 在数字幻影中对非线性最小方形配方 (NLSQ) 和在健康受试者和宫癌患者体内进行了表现评估.
主要成果:
- 在幻影研究中,DCE-Qnet表现出比NLSQ更好的性能.
- 在体内分析显示,不同参数的健康子宫的个体间变异性在5-51%之间.
- 宫瘤的复制性很好,变化系数 (CV) 在1-47%之间.
结论:
- DCE-Qnet可以从单个采集中进行全面的DCE-MRI量化.
- 该方法消除了单独T1扫描和玻尿酸到达时间处理的需要,将扫描时间缩短约10分钟.
- DCE-Qnet为DCE-MRI分析提供了更准确和更有效的方法,促进了临床采用.
