对基于深度学习重建方法的瘤多模态磁共振成像的评估,使用denoising方法进行重建

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经瘤学神经瘤学

背景情况:

• 多模态MRI对于质瘤评估至关重要,但图像质量可能是一个局限性.
• 深度学习重建 (DLR) 显示了通过无声化提高MRI图像质量的前景.
• 在此之前,DLR对多模式质瘤成像的影响还没有得到评估.

研究的目的:

• 评估DLR在改善多模态MRI对质瘤患者的有效性.
• 为了比较DLR和用于质瘤成像的常规重建方法之间的图像质量指标.

主要方法:

• 评估了107名质瘤患者的多模态MRI扫描 (T1W,CE-T1W,T2W,T2-FLAIR).
• 使用DLR和传统方法重建图像.
• 使用SNR,CNR和边缘清晰度量化评估图像质量;由神经放射学家进行盲目视觉和诊断评估.

主要成果:

• 与传统方法相比,DLR显著提高了所有模式的SNR和T1W,T2W和T2-FLAIR序列的CNR.
• 视觉评估揭示了优异的瘤可视化 (T2W),胀描绘 (T2-FLAIR),增强的瘤/缩划界 (CE-T1),并减少了DLR的文物.
• DLR提高了诊断效率和信心,特别是在手术前质瘤病例中.

结论:

• DLR显著提高了多模态MRI图像质量,用于质瘤.
• DLR重建原型提高了诊断效率和对质瘤评估的信心.
• DLR代表了神经瘤成像分析的一个有前途的进步.