Radiology：深度学习与动脉自旋标记

导语：与常规平均方法得到的ASL图像，CNN能够产生更优质、更准确的ASL图像。

来源：梅斯医学

本研究旨在利用深度学习算法改善动脉自旋标记（ASL）灌注图像的准确性和显着性，并将结果发表在Radiology上。

对于利用配对剪影生成的ASL图像，利用卷积神经网络（CNN）作为深度学习算法。利用6或7个健康志愿者常规伪连续ASL或114例不同疾病患者Hadamard编码伪连续ASL图像的平均值得到真实灌注图像。训练CNN来从一小部分（2或3）剪影图像中得到灌注图像，并由交叉验证进行评价。来自患者组的CNN进行26个脑卒中组中进行测验。对于均方差和放射学评分，利用配对T检验或Wilcoxon等级符号检验比较CNN与常规平均方法。

结果为，对于健康志愿者和患者、脑卒中患者单独测试，交叉验证中CNN均方差约低于常规平均方法的40%(P

本研究表明，与常规平均方法得到的ASL图像，CNN能够产生更优质、更准确的ASL图像。

原始出处：

Kim KH， Choi SH， Park SH. et al.Improving Arterial Spin Labeling by Using Deep Learning.Radiology.DOI： 10.1148/radiol.2017171154

本文系梅斯医学（MedSci）原创编译整理，转载需授权！

邀您一起学习“如何解读临床实践指南”：

指南是改善医疗质量的基石，如何更充分的阅读和理解临床实践指南呢？