对于DCE-MRI参数估计的深度学习方法:评估信号强度和基于度时间曲线的卷积神经网络

科学领域:

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

背景情况:

• 动态对比增强型MRI (DCE-MRI) 对于使用通用标记器动力学 (GTK) 建模进行脑瘤分析至关重要.
• 像非线性最小平方 (NLLS) 这样的传统方法是缓慢的,对成像协议变化敏感,影响参数估计的一致性.
• 现有的深度学习模型往往忽视了获取协议变化的影响.

研究的目的:

• 开发和验证CNN_CON,一种用于脑瘤中GTK参数估计的新型卷积神经网络.
• 评估CNN_CON的准确性,对DCE-MRI协议变化的稳定性,以及计算效率.
• 为了比较CNN_CON与NLLS以及另一种深度学习方法 (AIF-TK Net) 的性能.

主要方法:

• CNN_CON被训练使用合成DCE-MRI数据模拟协议变异,并对72名质瘤患者的数据集进行了微调.
• 验证涉及18名测试患者和两个外部数据集 (跨扫描器和跨机构).
• 性能指标包括动力参数 (K^trans,v_p,v_e) 的平均绝对误差,并与NLLS和AIF-TK Net进行比较.

主要成果:

• 对于GTK参数,CNN_CON的准确性与NLLS相当,计算时间显著缩短 (17秒比15分钟).
• 外部验证证实了不同扫描仪和机构的一致性能.
• 与AIF-TK Net相比,CNN_CON显示出更高的精度 (2-3倍),并保持了瘤分级的诊断能力 (AUC=0.89).

结论:

• 基于度的CNN_CON方法为DCE-MRI提供了强大的和高效的GTK参数估计.
• 它在多个中心的验证性能支持 perfusion 成像生物标志物的一致临床应用.
• 美国有线电视新闻网 (CNN) 介绍了使用DCE-MRI.MRI进行脑瘤分析的有希望的进展.