基于人工物强大的深度学习的3D相对比MR血管学细分:一种新的数据增强方法

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 生物医学工程 生物医学工程

背景情况:

• 3D相对比磁共振血管学 (PC-MRA) 图像中的脉冲器件降低了细分精度.
• 深度学习 (DL) 方法对医疗图像细分有希望,但对图像工件敏感.
• 在PC-MRA中,血管结构的准确细分对于临床诊断和治疗规划至关重要.

研究的目的:

• 开发和评估一种新的数据增强方法,用于基于DL的PC-MRA图像受脉冲工件影响的细分.
• 为了提高DL细分模型的稳定性和准确性,在模拟脉冲工件的存在下.
• 将增强DL方法的性能与传统的水平设定细分算法进行比较.

主要方法:

• 一种新的数据增强技术是通过模拟K空间大小的周期性错误来模拟脉冲文物而开发的.
• 深度学习细分模型经过训练和评估,并没有拟议的脉冲器件增强.
• 评估了16名志愿者的PC-MRA数据集的性能,与使用Dice-Sørensen系数,交叉点与联盟和平均对称表面距离的水平设定算法进行比较.

主要成果:

• 深度学习细分方法在准确性方面明显超过了水平设定算法.
• 脉冲器件增强进一步提高了DL细分精度,特别是在低速度编码的图像中.
• 定量指标证实了拟议的数据增强技术在改善细分结果方面的有效性.

结论:

• 这种新型数据增强方法有效地改善了基于深度学习的PC-MRA图像的细分,这些图像被脉冲文物损坏了.
• 这种技术为PC-MRA的临床应用中增强血管细分提供了有希望的解决方案,特别是在具有挑战性的病例中.
• 这些发现表明,这种增强策略在医学成像中具有更广泛的适用性,在医学成像中,人工物减少至关重要.