使用生成对抗性深度学习网络,在莫亚莫亚疾病中从前乙醇胺动脉旋转标签中合成脑血管反应成像

科学领域:

• 医疗成像医学成像
• 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:

• 脑血管反应 (CVR) 对于评估神经疾病中的血管健康至关重要.
• 目前的CVR测量需要进行脑输液挑战,通常是乙胺 (ACZ),这限制了其广泛的临床使用.
• 这项研究探讨了生成对抗网络 (GAN) 的潜力,以从基线动脉旋转标记 (ASL) MRI 导出CVR,而无需挑战.

研究的目的:

• 为了确定GAN是否可以准确地从ACZ前的ASL MRI数据中合成CVR图像.
• 评估使用GAN生成的CVR作为传统CVR评估的替代方案的可行性.
• 评估基于GAN的CVR在临床环境中的诊断实用性.

主要方法:

• 一个Pixel-to-Pixel GAN被训练在2640个ACZ前后ASL脑血流 (CBF) 图像切片上,来自203个Moyamoya病例.
• 经过训练的GAN从基线ACZ前的CBF图像中在一个单独的测试组 (608片) 中生成合成CVR图像.
• 质量评估涉及结构相似性指数 (SSI),空间相关系数 (SCC),根平均平方误差 (RMSE),子相似性系数 (DSC) 和科恩的卡帕用于视觉解释.

主要成果:

• 合成和参考CVR之间观察到很高的相似性,平均SSI为0.943和SCC为0.987.
• 低平均RMSE (0.079) 表明了良好的定量协议.
• 低CVR地区的Dice相似度系数为0.593,Cohen的卡帕值在0.730到0.896之间,显示出良好的一致性和一致性.

结论:

• 从基线ASLMRI产生GAN生成的CVR为传统的CVR评估提供了可行的替代方案.
• 这种方法在临床场景中特别有用,在临床场景中,ACZ挑战是不可行的或不切实际的.
• 这些发现表明,GANs可以帮助以非侵入性和高效的方式检测血管缺陷.