Baidu
map

European Radiology:使用深度学习方法实现肝脏MRI-PDFF的可重复评估

2024-12-08 shaosai MedSci原创 发表于陕西省

为了计算PDFF,有必要将CSE-MR信号分为仅水分量和仅脂肪分量,因为PDFF对应于仅脂肪分量与整体MR信号的比值。

现阶段,化学位移编码(CSE) MRI由于其在估计肝脏质子密度脂肪分数(PDFF)方面的效用而成为越来越重要的成像方式。肝脏PDFF与肝脏脂肪变性高度相关,是一种具有临床价值的生物标志物。此外,PDFF已经显示出有意义的准确性和可重复性,在不同场强和制造商的扫描仪上具有低偏置和高精度。

为了计算PDFF,有必要将CSE-MR信号分为仅水分量和仅脂肪分量,因为PDFF对应于仅脂肪分量与整体MR信号的比值。然而,由于R2*信号衰减和主磁场不均匀性的非线性影响(Δf),水脂分离有多种可能的解决方案。最先进的技术已经通过求解非线性模型来估计R2*和Δf显示出可接受的精度。然而,它们中的大多数都考虑平滑的场图假设来稳定可能影响水脂分离性能的估计解,通常需要根据具体情况对参数进行微调。

最近的研究探索了基于深度学习(DL)的替代方案,以有效地解决水-脂肪分离问题所有先前提出的基于DL的模型都考虑了卷积神经网络(CNN)来估计仅水和仅脂肪的图像,但也只有少数模型被设计用于估计R2和Δf map。这些算法中的大多数产生的结果与通常被认为是参考文献的基于迭代图切的技术所获得的结果具有相似的精度水平,但速度要快得多。上述图切割方法不是临床MR扫描仪中常见的方法,而是最广泛验证的开源方法之一,具有类似准确的PDFF估计性能。

然而,当前基于DL的方法的主要缺点之一是,当在与训练数据分布明显不同的样本上进行测试时,它们的泛化能力会降低。所有先前提出的基于DL的水-脂肪分离方法都是根据单一协议获得的数据进行训练的。由于CSE-MRI包括获取一系列梯度回波MR图像,然后利用MR信号的演变来进行水-脂肪分离,因此在之前的研究中使用的每种方案都考虑了一组特定的回波时间,在这些时间内获取这些多回波图像。因此,不能保证以前那些基于dl的方法可以处理在不同回波时间采集的CSE-MRI数据,这些数据经常根据采集地点的可用硬件(例如可用线圈,摆率等)进行修改,以最大限度地减少扫描时间。


最近,发表在European Radiology 上的一篇文章使用基于深度学习(DL)的方法从化学位移编码(CSE) MR图像中评估质子密度脂肪分数(PDFF),实现对不同的MR扫描仪和采集回波时间(TEs)的精确和鲁棒性。

可变回波次数神经网络(VET-Net)是一个两阶段框架,首先估计CSE-MRI信号模型的非线性变量,然后使用最小二乘法后验估计水/脂肪信号分量。VET-Net结合了一个带有TE的矢量作为辅助输入,因此可以在任何TE设置下进行PDFF计算。研究评估了一个单点肝脏CSE-MRI数据集(188名受试者,4146张轴向切片),该数据集被分为训练(150名受试者)、验证(18名)和测试(20名)三个子集。测试对象使用几种不同TE的方案进行扫描,然后我们使用这些扫描来测量两个感兴趣区域(ROI)的PDFF再现系数(RDC):肝右后叶和肝左叶。

VET-Net在不同TEs下右后叶和左肝叶的RDC分别为1.71%和1.04%,与基于参考图切的方法相当(RDC分别为1.71%和0.86%)。在多站点模型数据集上测试时,VET-Net也显示出更小的PDFF偏差(-0.55%),而不是图形切割(0.93%)。当不考虑辅助TE输入时,再现性(1.94%)和偏倚(-2.04%)受到负面影响。


表 对每种实施方法的偏差和可重复性指标进行总结

本项研究表明,VET-Net使用来自不同硬件供应商和不同TE的CSE-MR图像提供了无偏和精确的PDFF估计,优于传统的DL方法。

原文出处:

Juan P Meneses,Ayyaz Qadir,Nirusha Surendran,et al.Unbiased and reproducible liver MRI-PDFF estimation using a scan protocol-informed deep learning method.DOI:10.1007/s00330-024-11164-x

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
评论区 (2)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2241504, encodeId=9d382241504c3, content=当不考虑辅助TE输入时,再现性(1.94%)和偏倚(-2.04%)受到负面影响。, beContent=null, objectType=article, channel=null, level=null, likeNumber=8, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=db489112955, createdName=ms5000000707039972, createdTime=Mon Dec 09 09:57:03 CST 2024, time=2024-12-09, status=1, ipAttribution=山东省), GetPortalCommentsPageByObjectIdResponse(id=2240926, encodeId=23592240926eb, content=<a href='/topic/show?id=e4cb6612395' target=_blank style='color:#2F92EE;'>#深度学习#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=13, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=66123, encryptionId=e4cb6612395, topicName=深度学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Thu Dec 05 11:01:00 CST 2024, time=2024-12-05, status=1, ipAttribution=陕西省)]
    2024-12-09 ms5000000707039972 来自山东省

    当不考虑辅助TE输入时,再现性(1.94%)和偏倚(-2.04%)受到负面影响。

    0

  2. [GetPortalCommentsPageByObjectIdResponse(id=2241504, encodeId=9d382241504c3, content=当不考虑辅助TE输入时,再现性(1.94%)和偏倚(-2.04%)受到负面影响。, beContent=null, objectType=article, channel=null, level=null, likeNumber=8, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=db489112955, createdName=ms5000000707039972, createdTime=Mon Dec 09 09:57:03 CST 2024, time=2024-12-09, status=1, ipAttribution=山东省), GetPortalCommentsPageByObjectIdResponse(id=2240926, encodeId=23592240926eb, content=<a href='/topic/show?id=e4cb6612395' target=_blank style='color:#2F92EE;'>#深度学习#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=13, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=66123, encryptionId=e4cb6612395, topicName=深度学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Thu Dec 05 11:01:00 CST 2024, time=2024-12-05, status=1, ipAttribution=陕西省)]
    2024-12-05 梅斯管理员 来自陕西省

相关资讯

Radiology:基于深度学习的CTA脑动脉瘤分段和检测

CT血管造影(CTA)通常是动脉瘤识别的一线影像学检查,其在临床诊断中的作用是发现脑动脉瘤并生成三维成像的重要技术。

European Radiology:基于深度学习的软组织肿瘤CT和MRI微创交互分割

使用深度学习的全自动分割方法已被证明在医学成像领域的各种应用中是成功的。然而,由于STT表型、位置和成像方式的广泛差异,在STT中的应用受到限制,这使得很难训练出一种适用于所有患者的全自动分割方法。

Nature Methods:从序列到结构:RhoFold+深度学习模型实现RNA 3D预测的高效革命

RNA 结构研究因实验局限而倚重计算方法,RhoFold + 应运而生,其整合语言模型与深度学习,在架构、性能评估、优势应用等多方面表现卓越,推动 RNA 生物学发展。

European Radiology:深度学习放射组图在区分颅内孤立性纤维性肿瘤和血管瘤性脑膜瘤方面的价值

放射组学(Radiomics)是一种从标准医疗成像中高通量挖掘定量图像特征的技术,可以提取数据并在临床决策支持系统中应用,以提高诊断、预后和预测的准确性,在癌症研究中越来越重要。

【专家述评】| 人工智能赋能癌症协同药物组合预测的现状与挑战

本文提出了解决方案,包括利用多模态数据增强模型的泛化能力,采用迁移学习和多任务学习应对数据不足问题,以及设计更具可解释性的模型以推动临床应用。

Eur Heart J:基于心电图的深度学习预测儿童和成人先天性心脏病的死亡率

这个初步经过验证的模型有望在整个生命周期内对CHD患者进行低成本的风险分层,这可能会为成像/干预的时机提供信息,并促进改善获得护理的机会。

European Radiology:深度学习能否对脑超声图像进行分类,以检测早产儿的脑损伤?

在精准医疗和人工智能(AI)时代,能够提供及时专家评估的计算机辅助检测(CAD)工具的引入成为了一项重要的临床手段。

JAMA子刊:深度学习算法识别和量化自闭症儿童的刻板运动行为的准确性

基于深度学习的算法,能够精准、有效地识别和量化自闭症儿童的刻板运动行为。

European Radiology:快速高质量电影CMR的深度学习超分辨率重建

成像技术的最新进展,如压缩感知在CMR电影采集中的应用,以及低采样、低分辨率采集的深度学习(DL)算法重建,已经在其他领域展示了一些潜在的临床应用。

European Radiology:利用深度学习放射组学模型诊断和预测早期AD疾病谱系的进展

正电子发射断层扫描(PET)是一种无创神经成像技术,通过实时可视化和各种分子相关性,在跟踪AD脑内病理生理变化方面发挥着关键作用。

Baidu
map
Baidu
map
Baidu
map