无监督的深度学习用于在扩散性质瘤中检测血脑屏障泄漏,使用动态对比增强的MRI

科学领域:

• 放射学和医学成像学 医学成像学
• 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:

• 血脑屏障 (BBB) 泄漏是各种神经疾病的关键指标.
• 使用动态对比增强MRI (DCE-MRI) 检测BBB泄漏的传统方法通常需要复杂的药理动力学模型和动脉输入功能的估计 (AIF).
• 这些传统方法可能会耗时,可能会限制通用性.

研究的目的:

• 开发和验证一个无监督的深度学习框架,用于强大的和可通用的血脑屏障泄漏检测.
• 消除在DCE-MRI分析中需要药理动力学建模和AIF估计的需要.
• 提供一种更有效,更易于使用的方法来识别BBB异常.

主要方法:

• 一项使用DCE-MRI数据从274名患者 (2010-2020) 的回顾性研究.
• 使用基于自编码器的异常检测方法,通过重建残留物识别voxel-wise时间序列异常信号.
• 分离了残留泄漏信号 (RLS),并与传统的Ktrans指标进行了比较,根据亚样本数据和IDH突变状态预测评估了概括性.

主要成果:

• 开发的RLS地图显示了与Ktrans.trans的高结构相似性 (0.91 ± 0.02) 和相关性 (r = 0.56).
• 与Ktrans地图相比,RLS地图在亚样本数据上表现出更好的性能,显示出更好的相关性 (0.89对0.72),更高的SNR (33.09dB对28.94dB),以及更好的结构相似性 (0.92对0.87).
• 在预测IDH突变状态方面,RLS图显著优于Ktrans图 (AUC,0.87与0.81;P=0.02).

结论:

• 无监督深度学习框架有效地使用DCE-MRI检测BBB泄漏.
• 这种新的方法消除了对药理动力学模型和AIF估计的必要性,简化了分析.
• 该方法在预测IDH突变状态等临床结果方面显示出强大的可通用性和卓越性能.