使用新型时空卷积神经网络的定量灌注图谱
图像与视频处理
2023-12-12 v1 计算机视觉与模式识别
摘要
动态磁敏感对比磁共振成像（DSC-MRI）被广泛用于评估急性缺血性脑卒中，以区分可挽救的组织和梗死核心。为此，传统方法采用奇异值分解等去卷积技术，这些技术已知容易受到噪声影响，可能会扭曲推导出的灌注参数。然而，深度学习技术可以利用这一点，与传统临床方法相比，它能够准确估计临床灌注参数。因此，本研究首次提出了一种考虑空间和时间信息的灌注参数估计网络——时空网络（ST-Net）。所提出的网络包含一个设计的物理损失函数，以进一步提升模型性能。结果表明，该网络能够准确估计灌注参数，包括脑血容量（CBV）、脑血流量（CBF）和残差函数最大时间（Tmax）。CBV、CBF 和 Tmax 参数的结构相似性指数（SSIM）平均值分别为 0.952、0.943 和 0.863。低灌注区域的 DICE 分数达到 0.859，表现出高度的一致性。所提出的模型还保持了时间效率，接近商业黄金标准软件的性能。
引用
@article{arxiv.2312.05279,
title = {Quantitative perfusion maps using a novelty spatiotemporal convolutional neural network},
author = {Anbo Cao and Pin-Yu Le and Zhonghui Qie and Haseeb Hassan and Yingwei Guo and Asim Zaman and Jiaxi Lu and Xueqiang Zeng and Huihui Yang and Xiaoqiang Miao and Taiyu Han and Guangtao Huang and Yan Kang and Yu Luo and Jia Guo},
journal= {arXiv preprint arXiv:2312.05279},
year = {2023}
}