基于深度学习的方法的验证,用于在临床环境中加速敏感度加权成像
Xiao Wu1, Shan Xu1, Yao Zhang1
1Department of Radiology, The Second Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China.
NMR in biomedicine
|January 8, 2025
概括
深度学习 (DL) 重建加速易感度加权成像 (SWI) 采集,将扫描时间减少60%以上,同时保持诊断图像质量. 这种DL-SWI方法在人工制造物和噪声方面显示出显著的改善,有可能用于临床应用.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 敏感度加权成像 (SWI) 在临床诊断中至关重要,但通常受到长时间获取时间的限制.
- 加快SWI获取对于改善患者吞吐量和减少运动工件至关重要.
- 深度学习 (DL) 为重建加速成像数据提供了一个有前途的方法.
研究的目的:
- 评估基于DL的重建方法的可行性,以加速临床环境中的SWI获取.
- 为了比较DL-加速SWI (DL-SWI) 与传统并行成像 (PI) 加速SWI的图像质量和诊断性能.
- 评估DL-SWI在减少扫描时间而不会影响诊断准确性的潜力.
主要方法:
- 基于DL的重建方法 (ReconNet3D) 用来加速SWI采集,加速度因子为5 (1:46采集时间).
- 作为比较,使用了前性样本不足和PI (加速系数为2,采集时间为4:45分).
- 在61名受试者身上,进行了定量指标 (SSIM,PSNR) 和两个评级者 (工件,噪音,度,损伤明显性,整体质量) 的定性评估.
- 进行了微出血计数和非劣等性评估.
主要成果:
- DL-SWI实现了与PI-SWI相比较的SSIM (0.89 ± 0.02) 和PSNR (36.91 ± 2.41).
- 对于文物,噪音和整体图像质量,DL-SWI显示得分明显高 (p < 0.001).
- 虽然DL-SWI显示的度略有降低 (p = 0.031),但病变明显性和微型血液检测没有显著差异,没有错误阳性或负面.
结论:
- 基于DL的SWI重建有效地加速了获取,与PI相比,扫描时间减少了60%以上.
- DL方法保持了高图像质量和诊断性能,与传统PI-SWI可比.
- DL-SWI为高效的临床神经成像提供了可行的和有前途的工具,提高了工作流程和患者体验.
