深度学习提高了扩散质瘤动态对比增强MRI的可靠性:绕过后处理并提供不确定性地图

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
• 神经瘤学神经瘤学

背景情况:

• 动态对比增强型MRI (DCE-MRI) 对于评估扩散性质瘤至关重要.
• 准确的药理动力学 (PK) 参数映射对于瘤特征和治疗规划至关重要.
• 目前用于PK参数估计的方法可能受到可靠性和复杂性的限制.

研究的目的:

• 开发和验证一种新的深度学习模型,用于从DCE-MRI直接估计PK参数图.
• 评估建议模型的可靠性和诊断性能,用于质瘤分级和突变预测.
• 评估模型对PK参数提供不确定性估计的能力.

主要方法:

• 开发了一个时空概率深度学习模型,从DCE-MRI生成合成PK图 (Ktrans,Vp,Ve).
• 这项研究包括329名患有扩散性质瘤的患者.
• 模型性能使用结构相似性指数测量 (SSIM) 对地面真相,可靠性的类内相关系数 (ICC) 和临床验证的接收器操作特征曲线 (AUROC) 下的区域进行了评估.

主要成果:

• 合成的PK地图显示了与基本真相的高度相似性 (SSIM>0.89).
• 与传统方法 (ICC < 0.68) 相比,深度学习模型在所有 PK 参数 (p < 0.001) 上实现了显著更高的可靠性 (ICC = 1.00).
• 保持了质瘤分级和IDH突变预测的诊断性能,合成和地面真实地图之间的AUROC值可比较.

结论:

• 拟议的深度学习模型可靠地估计了扩散性质瘤中DCE-MRI的PK参数图.
• 该模型可以提高成像的一致性和诊断性能,而不会影响临床效用.
• 这种方法为改善神经瘤学的瘤特征和个性化治疗策略提供了有前途的工具.