深度学习实现降低钆剂量的对比增强血脑屏障开放成像
定量方法
2023-01-19 v1
摘要
聚焦超声（FUS）可用于开放血脑屏障（BBB），而使用对比剂的 MRI 可检测该开放。然而，重复使用钆基对比剂（GBCAs）会给患者带来安全性问题。本研究首次提出通过深度学习对容积转移常数（Ktrans）进行建模以降低对比剂剂量的思路。本研究的目标不仅是重建人工智能（AI）衍生的 Ktrans 图像，还要增强低剂量对比剂 T1 加权 MRI 扫描的强度。我们通过先前最先进的时序网络算法成功验证了该思路，该算法侧重于在体素级别提取时域特征。随后我们使用时空网络（ST-Net），其由基于时空卷积神经网络（CNN）的深度学习架构并附加三维 CNN 编码器构成，以提升模型性能。我们在取自小鼠脑不同侧的十个 FUS 诱导 BBB 开放数据集上测试了 ST-Net 模型。ST-Net 成功检测并增强了 BBB 开放信号，且未损失空间域信息。ST-Net 被证明是一种有前景的方法，可减少对从时间序列动态对比增强磁共振成像（DCE-MRI）扫描建模 BBB 开放 K-trans 图所需对比剂的依赖。
引用
@article{arxiv.2301.07248,
title = {Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Blood-Brain Barrier Opening},
author = {P. Lee and H. Wei and A. N. Pouliopoulos and B. T. Forsyth and Y. Yang and C. Zhang and A. F. Laine and E. E. Konofagou and C. Wu and J. Guo},
journal= {arXiv preprint arXiv:2301.07248},
year = {2023}
}