用于脑血管疾病分类与MRI到PET转换的多任务深度学习
图像与视频处理
2022-02-15 v1 计算机视觉与模式识别
机器学习
摘要
脑血流量（CBF）的准确量化对于烟雾病、颈动脉狭窄、动脉瘤和卒中等脑血管疾病的诊断与评估至关重要。正电子发射断层扫描（PET）目前被视为人脑CBF测量的金标准。然而，PET成像因其高昂成本、电离辐射的使用以及后勤挑战而未广泛普及，其需要将半衰期仅2分钟的氧-15放射性同位素在同址回旋加速器旁供给。相比之下，磁共振成像（MRI）更易获取且不涉及电离辐射。在本研究中，我们提出了一种用于脑MRI到PET转换与疾病诊断的多任务学习框架。该框架包含两个主要网络：（1）一个基于注意力的3D编码器-解码器卷积神经网络（CNN），从多对比度MRI图像合成高质量PET CBF图；（2）一个多尺度3D CNN，识别与输入MRI图像对应的脑部疾病。我们的多任务框架在MRI到PET转换任务上取得了有前景的结果，在120名受试者的队列上平均结构相似性指数（SSIM）达0.94，峰值信噪比（PSNR）达38dB。此外，我们表明整合多种MRI模态可改善脑部疾病的临床诊断。
引用
@article{arxiv.2202.06142,
title = {Multi-task Deep Learning for Cerebrovascular Disease Classification and MRI-to-PET Translation},
author = {Ramy Hussein and Moss Zhao and David Shin and Jia Guo and Kevin T. Chen and Rui D. Armindo and Guido Davidzon and Michael Moseley and Greg Zaharchuk},
journal= {arXiv preprint arXiv:2202.06142},
year = {2022}
}
备注
7 pages, 6 figures