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
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

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

引用
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

相关文献
评论
暂无封面信息
查看本期封面目录

中华医学杂志

0376-2491

11-2137/R

101

2021,101(23)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn