通过深度学习增强海马体子场可视化 重建MRI扫描

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是一门学科.
• 的研究研究.

背景情况:

• 在中评估海马病理非常重要,但具有挑战性.
• 深度学习重建,标准化协议和先进的后处理可以提高诊断准确性.
• 评估海马体体积的新型MRI序列是必不可少的.

研究的目的:

• 为了比较T2 TSE深度解析提升 (DRB) 序列与标准T2 TSE序列用于海马细分和体积学.
• 评估DRB对图像采集时间和诊断精度的影响.
• 评估z值对海马病理学的客观评估的有用性.

主要方法:

• 在36名受试者中,FreeSurfer (v7.4.1) 用于海马亚区域细分.
• 从T2 TSE DRB和标准T2 TSE序列细分的体积的比较.
• 统计分析包括基于95%置信区间的双尾t测试和z值.

主要成果:

• 整个海马体积在序列之间是相同的.
• 在特定的右海马子区域 (CA1体,CA4体,整个海马体) 观察到显著的体积差异,效果大小小小.
• DRB序列减少了61%的图像采集时间,并使用z-score识别了病态体积变化.

结论:

• 对于海马体细分,T2 TSE DRB 序列与传统的T2 TSE 序列无差.
• DRB提高了成像效率,同时保持了评估的临床可靠性.
• 建议的95%置信区间有助于客观地评估海马病理.