动脉输入功能的自动检测大脑DCE-MRI在多站点队列中的动脉输入功能

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 精确的动脉输入功能 (AIF) 提取对于动态对比增强MRI (DCE-MRI) 的定量药理学建模至关重要.
• 传统的AIF提取依赖于手动选择,这可能是耗时的,容易引起观察者之间的变化.
• 开发自动化方法对于提高DCE-MRI分析的效率和可靠性至关重要.

研究的目的:

• 开发和验证一个强大的深度学习模型,用于精确地从DCE-MRI图像中提取动脉输入函数 (AIF).
• 通过使用定量指标评估拟议模型与人工AIF提取相比的性能.

主要方法:

• 一个3D UNet深度学习模型从五个机构的384个人类大脑DCE-MRI扫描数据集中实现并训练在手动划分的AIF区域上.
• 该模型的性能使用新的AIF质量指标 (AIFitness) 并通过比较来自标准DCE管道的K^trans值来评估.
• 然后将验证的模型应用于421个DCE-MRI扫描的单独独立数据集进行复制.

主要成果:

• 3D UNet 模型获得了高的 AIF 适应性得分 (93.9 在初级测试组, 97.0 在复制组),接近手动选择的性能 (99.7).
• 自动化和手动AIF之间的K^trans值的类内相关性很强 (0.89),表明了很好的协议.
• 定量分析显示,自动和手动AIF提取方法之间的白质K^trans值没有显著差异.

结论:

• 拟议的3D UNet模型,包括增强的卷积内核和修改的Huber损失函数,证明了从多中心DCE-MRI数据中自动提取AIF的卓越性能.
• 自动化AIF提取方法提供了可靠和一致的结果,与手动选择相比,AIF适应性得分和DCE-MRI衍生指标 (如K^trans地图) 证明了这一点.
• 这种深度学习方法为DCE-MRI研究中的高效和准确的药理动力学分析提供了有希望的解决方案,特别是用于血脑屏障透度测量.