深度学习实现了降低增强造影血脑屏障开放的钆剂用量
摘要：使用聚焦超声波（FUS）可以打开血脑屏障（BBB），MRI与造影剂可以检测到这种开放。然而，重复使用基于钆的造影剂（GBCAs）对患者的安全性提出了担忧。本研究首次提出通过深度学习对体积转移常数（Ktrans）进行建模的想法，以减少造影剂的剂量。本研究的目的不仅是重建人工智能（AI）导出的Ktrans图像，还要增强低剂量造影剂T1加权MRI扫描的强度。我们通过之前的最先进的时间网络算法成功验证了这一想法，该算法专注于提取体素级别的时域特征。然后，我们使用了一个时空网络（ST-Net），由基于时空卷积神经网络（CNN）的深度学习架构和三维CNN编码器组成，以提高模型性能。我们对从小鼠脑的不同侧面获取的十个FUS诱导的BBB开放数据集进行了ST-Net模型测试。ST-Net成功检测和增强了BBB开放信号，同时没有损失空间域信息。研究结果显示，ST-Net是一种有前景的方法，可以通过时间序列动态增强磁共振成像（DCE-MRI）扫描来模拟BBB开放的K-trans图。
作者：P. Lee, H. Wei, A. N. Pouliopoulos, B. T. Forsyth, Y. Yang, C. Zhang, A. F. Laine, E. E. Konofagou, C. Wu, and J. Guo
论文ID：2301.07248
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-01-19