磁共振图像增强和细分使用常规和深度学习为动态脑血管造影的denoising技术用于动态脑血管造影

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 儿科神经学 儿科神经学

背景情况:

• 婴儿大脑血管动态模式对于识别脑流和 perfusion 病态至关重要.
• 动态血管MRI (TRANCE-MRI) 图像是有价值的,但受到噪音和量化困难的影响.
• 运动工件,短的获取时间和婴儿成像中的硬件限制加剧了噪音,降低了船只的可见性,挑战了人工智能工具和专家分析.

研究的目的:

• 评估自动消噪管道,以提高婴儿大脑MRI图像质量.
• 改进自动化血管细分,以更好地量化血管特征.
• 提出一个完整的管道,解决婴儿神经成像中的图像质量和细分挑战.

主要方法:

• 探索了传统和无监督深度学习技术的组合,用于图像消噪.
• 使用Noise2Void和PN2V GMM进行无声化,由专家和定量评估人员评估结果.
• 在噪音图像上训练了一个细分模型,并在无噪音和噪音图像上测试了它.

主要成果:

• 无监督的深度学习方法,特别是Noise2Void和PN2V GMM,产生了最好的消除噪音的结果.
• 传统和深度学习方法的结合减少了中央和密集的血管区域的噪音.
• 与使用无噪声图像相比,使用无噪声图像进行细分可以使子得分提高9.4%,Hausdorff距离提高近16%.

结论:

• 开发的脱和细分管道显著提高了婴儿大脑MRI质量和血管量化.
• 由人工智能驱动的图像处理为分析婴儿大脑血管动态的挑战提供了有希望的解决方案.
• 改进的图像分析有助于专业诊断和人工智能工具在儿科神经成像中的应用.