使用深度学习从3D飞行时间合成4D磁共振血管学:可行性研究

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:

• 3D飞行时间 (TOF) 磁共振血管学 (MRA) 提供静态动脉信息,但缺乏动态对比循环数据.
• 动脉旋转标记 (ASL) MRA捕捉动态流动,但有像更长的成像时间和更低的分辨率等局限性.
• 动态动脉流信息被假设在TOF信号中潜伏.

研究的目的:

• 开发一个深度卷积神经网络 (DCNN) 模型,从3D TOF图像中生成合成的4D MRA.
• 为了能够准确地估计动脉血流的时间变化.
• 从TOF信号中提取潜在的动态流量信息,克服ASL MRA的限制.

主要方法:

• 将U-Net和长短期记忆 (LSTM) 结合在一起的DCNN模型被训练在来自13个受试者的3D TOF MRA和4D ASL MRA数据上.
• 预处理包括重新抽样,强度正常化,数据增强和动脉面罩生成.
• 用确定系数 (R2) 和布兰德-阿尔特曼分析评估模型性能,并由神经放射学家进行验证.

主要成果:

• 生成的4DMRA图像与基本真相ASLMRA数据具有很高的相关性 (ICA的R2值为0.92,近端MCA为0.85,远端MCA为0.84).
• 布兰德-阿尔特曼分析显示良好一致,系统错误最小 (-0.06).
• 该模型成功地确定了MCA狭窄病例中的流动异常,并可视化了流动动态.

结论:

• 该DCNN模型有效地从TOF图像中生成合成4D MRA,准确估计动脉流量变化.
• 这种非侵入性技术为可视化和评估健康和病态流动动态提供了一个有希望的替代方案.
• 该模型有可能通过从常规MRI中提取动态脑血流信息来改善脑血管疾病的诊断和治疗.