基于深度学习的DSCMRI参数图的生成,使用DCEMRI数据

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经成像是一种神经成像.

背景情况:

• 动态敏感度对比 (DSC) MRI和动态对比增强 (DCE) MRI为临床诊断和研究提供了有价值的 perfusion 参数.
• 当前的协议通常需要两个加多对比剂量,当使用DSC和DCEMRI在同一会话.
• 从DCEMRI数据中获得DSC衍生地图的开发方法可以简化成像过程并减少对比剂的使用.

研究的目的:

• 开发和验证基于深度学习的方法,用于从DCEMRI数据中合成DSC衍生参数图.
• 为了使得使用单一的对比剂剂量能够获得DSC和DCEMRI参数图.

主要方法:

• 一个有条件的生成对抗网络 (cGAN) 用64名参与者 (包括脑瘤患者) 的数据集被设计和训练.
• 参考DSCMRI参数图是在DCEMRI之后获得的.
• 通过比较合成DSC地图与使用线性回归和布兰德-阿尔特曼分析的地面真实DSC地图来评估cGAN的性能.

主要成果:

• cGAN成功地从DCEMRI数据中合成了现实的DSC参数图.
• 合成的参数显示了健康对照组中与基准真实值相似的分布.
• 在脑瘤患者中,瘤区域的合成参数与基本真相值有强烈的线性相关性.
• 从DCE衍生出的DSC地图可视化了在传统的DSCMRI中被敏感性工件所掩盖的区域.

结论:

• 深度学习使得从DCEMRI数据中合成DSC衍生参数图,即使在易受人工物影响的区域.
• 这种方法具有很大的潜力,可以通过单次注射对比剂获得全面的 perfusion 信息 (DSC 和 DCE).
• 这些发现表明,对先进的神经成像进行更有效,更为友好的治疗方法.