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?
领取专属 10元无门槛券
私享最新 技术干货