10.3760/cma.j.cn112137-20201105-03025
基于生成对抗网络提高动脉自旋标记图像质量及量化精度分析
目的:探讨利用深度学习方法提高动脉自旋标记(ASL)图像质量,并优化其对脑血流量(CBF)的定量准确性。方法:回顾性分析2018年5月至2019年8月天津市环湖医院101例脑血管病患者临床及影像资料,分为训练集71例和验证集30例。训练集中男53例,女18例,年龄55.0 (41.3,64.5);测试集中男23例,女7例,年龄57.5 (49.0,65.0)。以定量灌注加权成像为参考标准,通过训练一个深度学习生成对抗网络(GAN)重建原始ASL-CBF图像。通过结构相似指数和标准均方根误差比较原始ASL-CBF与GAN-CBF的图像质量,并使用Pearson相关分析比较不同脑血管供血区及卒中病灶区ASL-CBF、GAN-CBF与定量灌注的相关性,验证GAN对ASL的图像质量与量化精度的提升性能。结果:训练集和验证集两组患者性别、年龄、疾病类型、卒中病灶位置及大小差异均无统计学意义(均
P>0.05)。GAN-CBF比ASL-CBF的结构相似指数更高(0.888比0.801,
P<0.001),且标准均方根误差更低(0.628 比 0.775,
P<0.001)。在不同血管供血区及卒中病灶区,GAN-CBF比ASL-CBF与定量灌注的相关性更高,以中动脉穿通支供血区(
r=0.853)与卒中病灶区(
r=0.765)的相关性提升最为明显(均
P<0.001)。
结论:生成对抗网络可以在不增加扫描时间而提高ASL的图像质量与量化精度,拓展了ASL的临床应用价值。
自旋标记物、动脉、深度学习、缺血性脑卒中、医学影像
101
国家自然科学基金81871342;国家重点研发计划2019YFC0120903;Natural Science Foundation of China81871342;National Key R&D Program of China2019YFC0120903
2023-05-30(万方平台首次上网日期,不代表论文的发表时间)
共6页
1772-1777