一种基于自主监督学习的新方法,用于动态CT脑 perfusion成像

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经科学是一个神经科学.

背景情况:

• 动态CT输液成像提供了定量脑血流量指标 (CBF,CBV,MTT).
• 低剂量CT协议增加图像噪声,降低 perfusion 地图质量和可靠性.
• 像SVD和TV这样的现有方法与噪声引起的不准确性作斗争.

研究的目的:

• 提出和评估一个深度学习模型 (CNN-BiLSTM与注意) 来自噪音动态CT数据自主监督估计脉冲残留函数 (IRF).
• 使用预测的IRF计算大脑 perfusion 参数.
• 使用模拟和真实数据,将拟议的方法与传统技术 (SVD,TV) 进行比较.

主要方法:

• 开发一个卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 模型与注意力机制.
• 自主监督学习从动态CT图像中推导脉冲残留函数 (IRF).
• 使用模拟数据进行定量评估,并与真实患者数据的奇数值分解 (SVD) 和张量总变量 (TV) 进行定性/定量比较.

主要成果:

• 与SVD和TV相比,模拟数据显示,在拟议的深度学习方法中,参数估计准确度更高.
• 实际数据分析显示,在视觉上类似的 perfusion 图,但在参数值上有显著差异.
• 深度学习方法在疑似心脏病核心区域中独特地确定了更长的平均传输时间 (MTT).

结论:

• 提出的深度学习方法有效地从杂的动态CT图像中产生可靠的脑 perfusion 图.
• 这种人工智能驱动的方法提供了更好的准确性和更好的临床评估大脑血管疾病的潜力.
• 自主监督的IRF估计克服了低剂量CT输液成像中传统方法的局限性.