通过人工神经网络对扩散加权成像和明显扩散系数图像中风的损伤细分性能进行比较
Seok Jin Bang1, Yong-Tae Kim2, Young Jae Kim3
1Medical Devices R&D Center, Gachon University Gil Medical Center, Incheon, Republic of Korea.
PloS one
|June 9, 2025
概括
这项研究发现,人工智能模型可以有效地使用扩散加权成像 (DWI) 和明显扩散系数 (ADC) 图像对中风病变进行细分. 在ADC图像上的损伤细分被认为是适当的,显示与DWI相似的结果.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 脑卒中是全球主要的死亡原因,需要准确及时诊断.
- 扩散加权成像 (DWI) 和明显扩散系数 (ADC) 对于中风检测至关重要.
- 当前的研究经常优先考虑使用DWI的病变细分,不太关注ADC图像性能.
研究的目的:
- 在中风诊断中使用扩散加权成像 (DWI) 和明显扩散系数 (ADC) 图像来比较损伤细分的有效性.
- 评估人工智能模型的性能,特别是U-Net和完全连接网络 (FCN),用于DWI和ADC数据上的中风病变细分.
主要方法:
- 一项回顾性研究利用360名缺血性中风患者的数据集.
- 针对DWI和ADC图像数据的U-Net和FCN人工智能模型的培训和验证.
- 使用五倍交叉验证和包括子相似系数 (DSC),准确性,精度和回忆等指标的性能评估.
主要成果:
- 在U-Net模型中,在DWI上获得了92.13%的更高的DSC,而在ADC上则达到83.68%.
- 该FCN模型显示DSC为82.86%的DWI和79.26%的ADC.
- 对比分析表明,ADC图像上的病变细分是适当的,在两种模型中产生了与DWI相似的结果.
结论:
- 无论是U-Net还是FCN模型都显示出适用于中风病变细分的适用性.
- 使用ADC图像进行损伤细分是一种可行的和适当的方法,其性能与DWI相提并论.
- 未来的研究应该专注于通过各种b值或组合DWI/ADC数据集来提高ADC图像的准确性.
