用低剂量计算机断层扫描进行脑动脉细分的U-Net模型的可行性 血管图像与预处理方法
Seong-Hyeon Kang1, Kyuseok Kim2, Jina Shim3
1Department of Radiological Science, Gachon University, 191, Hambakmoe-ro, Yeonsu-gu, Incheon, 21936, Republic of Korea.
Scientific reports
|April 17, 2025
概括
减去计算断层扫描血管造影 (sCTA) 使用高剂量的辐射. 研究人员使用低剂量CTA图像和优化的预处理技术开发了一个U-Net模型,以实现类似的脑动脉细分性能,而无需增加辐射暴露.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 脑血管成像 脑血管成像
背景情况:
- 减法计算机断层扫描血管造影 (sCTA) 有效地可视化大脑动脉,但由于其双扫描协议,涉及高剂量的辐射.
- 尽管sCTA具有诊断实用性,但高辐射暴露限制了其主流采用.
- 有需要的方法可以实现可比的大脑动脉可视化,而不会增加患者的辐射剂量.
研究的目的:
- 开发和评估基于U-Net的脑动脉 (CA) 分段模型,使用低剂量计算机断层扫描血管学 (CTA) 图像.
- 为了实现与sCTA可比的细分性能,同时减轻高辐射剂量问题.
- 确定最佳的预处理技术,以增强低剂量CTA中的CA细分.
主要方法:
- 在低剂量CTA图像的数据集上训练了一个U-Net卷积神经网络模型.
- 非局部平均值 (NLM) 算法使用对比度和噪声比率以及变化系数指标进行了优化.
- 基于区域生长的半自动值技术被用于生成对比剂面膜.
- 数据集包括35名培训患者,4名验证患者,5名测试患者.
主要成果:
- 结合优化的NLM和半自动值预处理,U-Net模型显著提高了CA细分性能.
- 使用平均精度 (AP),交叉与结合 (IoU) 和F1得分的定量评估显示了与sCTA相似的结果.
- 具体来说,AP,IoU和F1分数在低剂量CTA图像上分别达到大约0.880,0.955和0.809.
- 该模型成功地细分了大脑动脉,而不需要额外的辐射暴露.
结论:
- 拟议的基于U-Net的模型有效地从低剂量CTA图像中对大脑动脉进行细分,为高辐射SCTA提供了替代方案.
- 优化预处理方法,包括NLM过和半自动值,对于最大限度地提高深度学习细分模型的性能至关重要.
- 这种方法为减少脑血管成像中的辐射暴露提供了一个有希望的解决方案,同时保持诊断质量.
