从多参数MRI中生成T1-对比增强型MRI,用于潜伏瘤条件的质瘤患者

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:

• 基于加多的对比剂 (GBCA) 在T1加权MRI中增强质瘤的特征,但存在毒性风险.
• 开发无对比剂的MRI方法对于患者的安全和简化扫描协议至关重要.

研究的目的:

• 开发一个深度学习框架,瘤感知视觉转换器 (TA-ViT),用于从前对比多参数MRI生成高质量的T1-后对比 (T1C) MRI图像.
• 通过预测细分图来调节变压器层来改善瘤区域合成.

主要方法:

• TA-ViT模型使用来自多参数残余 (MPR) ViT模型的预测细分图,通过自适应层规范化集成.
• 该模型在501例来自开源数据集的质瘤病例上进行了训练和验证,使用T1加权 (T1w) 和T2-FLAIR序列.
• 使用峰值信号与噪声比率 (PSNR),正常化交叉相关性 (NCC) 和正常化平均平方误差 (NMSE) 来定量评估性能.

主要成果:

• 与基准MPR-ViT模型相比,TA-ViT模型在生成合成T1CMRI图像方面表现优越.
• 合成的T1C图像显示了软组织对比度的改善,以及瘤和整个大脑体积的更准确的合成.
• 定量指标显示,健康组织和瘤区域显著改善,PSNR和NCC值高.

结论:

• 拟议的TA-ViT方法成功生成了与真实图像非常相似的合成T1CMRI图像.
• 这种方法有望在脑瘤患者中实现无对比剂的MRI,减轻GBCA毒性风险.
• 未来的应用可能会简化MRI协议,并提高神经瘤学中的患者安全.