一个深度学习模型来降低药物剂量,用于增强对比度的脑脊柱角水箱的MRI
Yunjie Chen1, Rianne A Weber2, Olaf M Neve3
1Department of Radiology, Leiden University Medical Center, Leiden, The Netherlands. y.chen@lumc.nl.
European radiology
|December 2, 2025
概括
深度学习模型显著改善了小剂量MRI图像质量,用于小脑角水库. 这使得准确的前庭神经瘤诊断和管理只使用10-30%的标准对比剂剂量.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 神经成像是一种神经成像.
背景情况:
- 与对比度增强的T1加权MRI (T1ce) 对于评估大脑角 (CPA) 储水池至关重要.
- 在MRI中降低对比剂剂量是理想的,以尽量减少风险和成本.
- 深度学习 (DL) 模型显示了医疗成像中图像质量提升的潜力.
研究的目的:
- 评估深度学习 (DL) 模型,用于降低CPA水箱的T1ceMRI对比剂剂量.
- 评估DL在降低剂量时对图像质量和诊断性能的影响.
主要方法:
- 一项多中心的回顾性研究训练了DL模型,从低剂量模拟中恢复标准剂量T1ce.
- 低剂量T1ce图像是通过降低对比剂剂量来创建的 在前庭神经瘤 (VS) 患者的MRI扫描中.
- 评估了DL恢复T1ce的图像质量和细分性能,包括放射科医生的评估.
主要成果:
- DL模型成功地恢复了低剂量T1ce图像,随着输入剂量增加,图像质量指标显著改善.
- 在10%的输入剂量下,DL恢复的T1ce提高了细分精度 (迪斯系数,豪斯多夫距离,平均表面距离).
- 从10%和30%剂量的DL恢复的T1ce显示出出色的图像质量,使诊断特征成为可能.
结论:
- 深度学习模型可以有效地恢复CPA水箱的低剂量T1ceMRI图像质量.
- 使用DL可以在显著降低对比剂剂量 (10-30%) 的情况下进行病变检测和诊断表征.
- 这种方法有助于前庭神经瘤的诊断和管理,同时降低了基于加多的对比剂的暴露.
