一个基于DICOM的兽医深度学习否定算法可以改善主观和客观的大脑MRI图像质量
Wilfried Mai1, Silke Hecht2, Matthew Paek3
1Department of Clinical Sciences and Advanced Medicine, School of Veterinary Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA.
概括
一个新的深度学习 (DL) 消除噪声的算法显著改善了狗和猫的大脑MRI扫描中的信号与噪声和对比与噪声的比率. 兽医放射科医生观察到图像质量提高,T2W,T2-FLAIR和GRE序列中的噪声减少.
科学领域:
- 兽医放射学 兽医放射学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 磁共振成像 (MRI) 对于诊断兽医患者的大脑疾病至关重要.
- 图像噪声可以降低兽医大脑MRI的诊断质量.
- 深度学习 (DL) 算法显示了改善医疗图像质量的潜力.
研究的目的:
- 评估基于DICOM的深度学习 (DL) 对兽医大脑MRI的解密算法的有效性.
- 将原生MRI扫描与DL算法处理的MRI扫描进行定量和质量比较.
- 评估DL无声化对狗和猫大脑MRI图像质量指标的影响.
主要方法:
- 分析横截面方法比较研究涉及30只狗和猫.
- 在T2W,T2-FLAIR和GRE序列上对信号与噪声比 (SNR) 和对比与噪声比 (CNR) 的定量分析.
- 由三个盲目兽医放射科医生进行的定性评估,评估粗度,对比度和整体图像质量.
主要成果:
- 对皮层灰质,皮下白质,深灰质和内部囊的SNR有统计学显著的增加.
- 在皮质灰色和白质,深灰质和内部囊之间显著更高的CNR.
- 放射科医生报告说,无色化图像的粗度,对比度和整体质量得分通常更好.
结论:
- 基于DICOM的DL消噪算法有效地减少了狗和猫的大脑1.5TMRI中的噪声.
- 显而易见地,DL无声化可以改善定量图像质量指标 (SNR和CNR).
- 该算法导致兽医放射科医生感知到的图像质量得到改善,有助于诊断.
