基于深度学习的显微扩散系数地图生成来自多参数MRI图像的扩散质瘤患者
Zach Eidex1, Mojtaba Safari1, Jacob Wynne1
1Department of Radiation Oncology, Emory, University, Atlanta, Georgia, USA.
Medical physics
|November 8, 2024
概括
这项研究引入了一个深度学习模型,从标准MRI扫描中创建准确的表面扩散系数 (ADC) 地图,克服传统扩散加权成像 (DWI) 的局限性. 开发的框架合成了高质量的ADC地图,提高了诊断能力.
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
- 生物医学工程 生物医学工程
背景情况:
- 来自扩散权重磁共振成像 (DWI MRI) 的明显扩散系数 (ADC) 地图提供功能组织洞察力.
- DWI MRI 是耗时且容易出现文物,损害了ADC地图的准确性.
- 从多参数MRI合成ADC地图可以克服这些局限性.
研究的目的:
- 开发一个深度学习框架,用于从多参数MRI合成ADC地图.
- 解决与传统DWIMRI相关的时间消耗和文物挑战.
主要方法:
- 提出了多参数残留视觉变压器 (MPR-ViT) 模型,集成视觉变压器 (ViT) 和卷积运算符.
- 利用了501例质瘤病例的T1加权 (T1w) 和T2流体减弱反转恢复 (T2-FLAIR) 图像.
- 使用PSNR,SSIM和MSE指标对视觉卷积变压器 (VCT) 和残余视觉变压器 (ResViT) 进行模型性能评估.
主要成果:
- 使用T1w + T2-FLAIRMRI输入,MPR-ViT模型实现了PSNR为31.0 ± 2.1,SSIM为0.950 ± 0.015,MSE为0.009 ± 0.0005.
- 废弃性研究表明,单个输入序列的性能影响.
- 定性和定量分析证实了MPR-ViT模型与地面真相数据相比的良好表现.
结论:
- 使用MPR-ViT模型,可以从结构性MRI中成功合成高质量的ADC图.
- 与VCT和ResViT相比,预测的ADC地图对地面真实体积具有更高的一致性.
- 合成ADC地图对于疾病诊断和干预非常有价值,特别是当传统的ADC地图受到损害或无法使用时.


