Radiology：深度学习与动脉自旋标记
2018-02-24 shaosai MedSci原创
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。
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 < .001)。对脑卒中脑梗感兴趣区分析表示CNN得到的脑血流量图的均方差（19.7 mL per 100 g/min ± 9.7）要小于常规平均方法得到的脑血流量均方差(43.2 ± 29.8) (P < .001)。放射学评分显示CNN处理噪声和运动和或分割伪影的效果要优于常规平均方法(P < .001)。
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！
小提示：本篇资讯需要登录阅读，点击跳转登录
版权声明：
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
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
#动脉自旋标记#
43
好好文章学习了
75
你好.学习了
69
哈哈哈
70
学习了.涨知识
78
学习谢谢分享
46
好好文章学习了
28
学习了谢谢分享
32
了解了解.学习学习
26
学习
27