基于深度学习的时间缩短纠正在脑电脑断层扫描输液中

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 大脑计算机断层扫描输液 (CTP) 成像对于诊断缺血性中风至关重要.
• 临床CTP获取往往遭受时间截断,导致不完整的对比玻尿酸数据.
• 不完整的数据可能会损害 perfusion 参数量化的准确性.

研究的目的:

• 开发和评估一种深度学习方法,用于预测缺失的CTP图像.
• 为了比较不同的预测策略来处理CTP中的时间截断.
• 评估预测方法对图像质量和临床参数的影响.

主要方法:

• 一个三维卷积神经网络 (CNN) 被训练来预测CTP系列的最后10.
• 72个CTP扫描被用于训练和测试CNN模型.
• 评估了三个预测策略:一次性,递归多步骤和直接递归混合预测.

主要成果:

• 单拍预测,同时预测所有缺失的,与递归方法相比,产生了优越的图像质量指标.
• 单一射击方法显示了最大的相关性 (r=0.990) 和 bolus 形状分析中最小的差异.
• 来自单一射击预测的 perfusion 参数显示了与基本真相最小的绝对差异.

结论:

• 拟议的基于CNN的方法有效地预测了缺失的CTP,减轻了时间截断问题.
• 一次性预测是准确的CTP数据重建和分析的最佳策略.
• 这种方法有可能最大限度地减少错误并提高缺血性中风的量化.