人工T1加权后对比脑MRI:对比信号提取的深度学习方法
Robert Haase1, Thomas Pinetz, Erich Kobler
1From the Clinic of Neuroradiology, University Hospital Bonn, Rheinische Friedrich-Wilhelms-Universität Bonn, Bonn, Germany (R.H., E.K., Z.B., C.G., D.P., A.R., K.D.); Institute of Applied Mathematics, Rheinische Friedrich-Wilhelms-Universität Bonn, Bonn, Germany (T.P., A.E.); Department of Radiology, Brigham and Women's Hospital, Harvard Medical School, Boston, MA (D.P.); and German Center for Neurodegenerative Diseases (DZNE), Helmholtz Association of German Research Centers, Bonn, Germany (A.R., K.D.).
一种新的深度学习方法成功地从低剂量扫描中合成了人工对比增强的MRI图像. 这种方法减少了加多对比剂的使用,降低了成本和环境影响.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 由于成本,环境和患者安全原因,减少基于加多的对比剂至关重要.
- 已发表的合成对比增强图像的方法尚未进行比较评估.
研究的目的:
- 从非对比和低剂量图像中合成人工T1加权全剂量MRI图像的深度学习方法进行比较.
- 评估一种拟议的对比信号提取方法与现有最先进的技术相比.
主要方法:
- 一项前性研究涉及213名参与者,他们接受脑部MRI,用低剂量 (0.02 mmol/kg) 和全剂量 (0.1 mmol/kg) 进行对比.
- 重新实施了两种深度学习方法 (设置A和B) 和一种拟议的方法 (设置C).
- 人工和真实全剂量图像被两个读者比较,评估病变的可互换性,增强性和一致性.
主要成果:
- 拟议的方法 (设置C) 与设置A (40/100) 和B (57/100) 相比,显示了显著更高的可互换性 (70/100扫描).
- 设置C产生了最小的平均增强减少病变 (-0.50 ± 0.55) 与真实图像相比.
- 与A (1.75 ± 1.07) 和B (2.19 ± 1.04) 相比,C设置 (2.48 ± 0.91) 的病变符合性得分最高.
结论:
- 拟议的对比信号提取方法显著改善了对比后MRI图像的合成.
- 尽管有了改进,但相当一部分合成图像仍然显示出与参考真量图像的互换性不足.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
10:06High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain
Published on: May 10, 2012
