ASL 4D MRA 内血管细分使用深度学习U-Nets
Sang Hun Chung1, Zihan Wang2, Tianrui Zhao1,3
1Department of Radiology, Northwestern University Feinberg School of Medicine, Chicago, Illinois, USA.
Magnetic resonance in medicine
|November 9, 2025
概括
新的4DST网络通过有效使用空间和时间数据来改善4D MR血管学 (4D MRA) 血管细分. 这种方法提高了准确性,并减少了医疗成像分析的处理需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 精确的四维 (4D) MR血管造影 (MRA) 的细分对于诊断血管疾病至关重要.
- 基于脉冲ASL的4D MRA提供非对比增强成像,但存在细分挑战.
- 现有的方法经常与计算需求或低于最佳性能作斗争.
研究的目的:
- 引入一个新的基于U-Net的时空空间网络,称为4DST.
- 通过利用空间和动态信息,实现高效的4D MRA船只细分.
- 在细分过程中避免内存密集的4D卷积层.
主要方法:
- 开发并测试了基于脉冲ASL的4D MRA的4DST网络架构.
- 将4DST与仅空间 (2D,3D) 的U-Net变体和其他最先进的方法 (隔离森林,BRAVE-Net) 进行比较.
- 使用诸如Dice-Sørensen系数 (DSC),中线Dice (clDice),豪斯多夫距离 (HD) 和相对于SNR和动脉传输时间 (ATT) 的相对灵敏度等指标评估性能.
主要成果:
- 4DST实现了优越的细分性能,由最好的DSC (0.876 ± 0.03),clDice (0.865 ± 0.02) 和HD (6.241 ± 0.95) 证明.
- 该模型在广泛的SNR (1-10) 和ATT (500-800毫秒) 中显示出高灵敏度.
- 与其他方法相比,4DST细分更准确地反映了船舶总长度和分支分割的地面真相.
结论:
- 4DST网络在4D MRA船只细分方面取得了重大进展.
- 它提供了一个端到端可训练的框架,适合时空数据集.
- 4DST为基于脉冲ASL的4D MRA容器细分提供了一个有吸引力的,低预处理的解决方案.
