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?

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180226A1293J00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券