European Radiology:ComplexNet深度学习技术在SWI中的应用
2022-04-19 shaosai MedSci原创
SWI通常使用T2*加权梯度回波(GRE)序列进行数据采集,然后结合幅值和相位信息来增强T2*加权图像的对比。
敏感性加权成像(SWI)由于其对脱氧血红蛋白和颅内矿物质沉积的特殊敏感性,已成为临床脑部成像的常用技术之一,已被广泛应用于多种疾病的诊断成像,包括颅内出血、脑微出血(CMBs)、脑外伤、出血性或钙化性肿瘤以及与铁积累相关的神经退行性疾病等。然而,SWI扫描需要很长的回波时间来建立相位对比,因此采集时间较长,会造成运动伪影并加重患者的焦虑。同时,采集时间的延长也限制了常规临床SWI的空间分辨率和层厚。
SWI通常使用T2*加权梯度回波(GRE)序列进行数据采集,然后结合幅值和相位信息来增强T2*加权图像的对比。为了加速SWI数据的获取,一种有效的方法是对K空间数据进行欠采样,然后利用额外的信息进行重建。传统上,从欠采样数据中重建图像需要利用平行成像和压缩感应(CS)等技术,而CS重建的计算成本很高,通常需要对正则化参数进行经验调整,这对于在实际临床应用中十分具有挑战性。最近,深度学习技术在重建欠采样MRI数据方面获得了极大的进展,在重建质量和速度方面都有改进。
近日,发表在European Radiology杂志的一项研究本开发了一种新型的用于快速准确地重建高度加速SWI数据的深度复值卷积神经网络(ComplexNet),并研究了其在重建质量和临床脑成像中的病理可视化方面的性能。
本研究开发了一个用于从高度加速的K空间数据中重建高质量SWI的ComplexNet模型。ComplexNet可以利用SWI数据固有的复值性质,通过使用复值网络学习更丰富的表征。SWI数据来自2019年至2021年期间接受临床脑MRI检查的117名参与者,包括肿瘤、卒中、出血、脑外伤等患者。使用定量的图像指标和图像质量评分来评估重建质量,包括整体图像质量、信噪比、清晰度和伪影。
ComplexNet的平均重建时间为每节19毫秒(每个参与者1.33秒)。与传统的压缩传感方法和加速率为5和8的实值网络相比,ComplexNet取得了明显改善的定量图像指标(P < 0.001)。同时,在两种加速率下,完全采样法和ComplexNet法在整体图像质量和伪影方面没有明显差异(p>0.05)。此外,ComplexNet显示出与全采样SWI相当的诊断性能,可用于显示广泛的病理,包括出血、脑微出血和脑肿瘤。
图 40岁男性,多发性脑微出血,在R=5(上行)和R=8(下行)的情况下用于比较不同重建方法的代表性SWI图像。ComplexNet显示出最高的图像质量,其清晰度得到很好的保留,右侧脑室分散的微出血清晰可见(金色箭头)
本研究所提出的ComplexNet能有效地加速SWI数据的获取,并提供高质量的图像重建以实现各种病变的可视化。ComplexNet更广泛的临床应用可使时间紧迫的疾病得到更有效的诊断和治疗。
原文出处:
Caohui Duan,Yongqin Xiong,Kun Cheng,et al.Accelerating susceptibility-weighted imaging with deep learning by complex-valued convolutional neural network (ComplexNet): validation in clinical brain imaging.DOI:10.1007/s00330-022-08638-1
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#PE#
34
#complex#
58
#NET#
31
#MPL#
52