空间受约束的超极化13CMRI药理动力学速率常量图估计使用数字大脑幻影和U-Net

科学领域:

• 医疗成像医学成像
• 代谢量化的量化
• 人工智能在医学中的应用

背景情况:

• 超极化[1-13C]酸盐 (HP C13) MRI 可进行体内代谢研究.
• 目前的音符智能安装方法忽视了空间关系,并与低SNR数据作斗争.
• 准确的代谢率测绘对于了解疾病至关重要.

研究的目的:

• 开发和验证U-Net深度学习模型,用于从动态HP C13MRI数据中估计代谢速率常数 (kPL).
• 创建一个框架来生成现实的,解剖学准确的模拟HP C13大脑数据用于模型训练.
• 为了提高HP C13MRI中代谢量化的准确性和稳定性.

主要方法:

• 使用U-Net卷积神经网络分析HP C13MRI数据的2D空间维度.
• 数字幻影框架生成了具有真实的HP C13特征的解剖学准确的模拟大脑数据.
• 最初,U-Net是通过模拟数据进行训练,然后通过体内数据集进行规范化.

主要成果:

• 在模拟中,U-Net模型显著优于传统的voxel-wise配件,特别是对于低SNR数据.
• 在体内数据的初始U-Net预测显示过度平滑,这被规范化所缓解.
• 规范化的U-Net模型从体内HP C13MRI数据中产生了更现实的kPL地图.

结论:

• U-Net 架构提供了一个强大的工具,用于从 HP C13 MRI 数据中估计速率常数图.
• 开发的模拟框架对于训练深度学习模型与基础真相至关重要.
• 这种方法为在临床应用中增强代谢量化提供了基础.