一个基于深度学习的框架,用于高度加速的前列腺MR分散成像

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 生物物理学的生物物理.

背景情况:

• 动态对比增强型MRI (DCE-MRI) 通过评估微血管输液,对瘤诊断和预后至关重要.
• 对DCE-MRI的定量分析通常使用非线性最小方形 (NLLS) 适合药理动力学 (PK) 模型,这是计算密集的.
• 像MR分散成像 (MRDI) 这样的先进模型可以解释血管内分散,但增加了计算复杂性,限制了实际应用.

研究的目的:

• 开发一种快速MR分散成像 (fMRDI) 方法,用于加速的药理动力学参数估计.
• 引入基于深度学习的框架,用于快速准确的DCE-MRI分析.
• 为了改善正常和癌症前列腺组织之间的区别,并增强对噪声的强度.

主要方法:

• 提出了一种快速MR分散成像 (fMRDI) 方法来模拟血管内分散和加速参数估计.
• 开发了一个两阶段的深度学习框架,利用神经网络 (NN) 进行初始PK参数估计,并通过NLLS进行了改进.
• 实施了用于NN培训的数据合成模块和用于噪声和变化稳定的数据处理模块.

主要成果:

• 与传统的DCE-MRI分析相比,fMRDI方法显著减少了处理时间.
• 深度学习方法实现了更快的PK参数估计,通过NLLS进行了改进.
• 实验表明,正常和临床显著的前列腺癌 (csPCa) 病变之间的区别得到了改善,噪声强度得到了增强.

结论:

• 拟议的fMRDI和深度学习框架为定量DCE-MRI分析提供了一个计算效率高,准确的方法.
• 这种方法通过改善病变特征来提高前列腺癌的诊断能力.
• 该方法显示出显著的临床翻译潜力,因为它的速度和稳定性.