文摘
摘要目的:来生成合成3 d天赋MRI图像病变和自动分割输出女士脑部扫描使用深度学习技术。
背景:临床磁共振成像扫描时间点之间的异构性,表现出显著的形象代表的一个主要障碍定量分割后处理分析(灰色/白色,整个大脑病变卷)。图像合成使用深度学习方法可用于快速生成标准化图像而不丧失患者信息。
设计/方法:270 MS T1 / T2对得到3 t被用来训练算法。头骨被移除,每一对co-registered更好的像素像素对应。我们同时合成3 d风格图片和病灶分割面具使用综合监管深度学习的方法。其架构需要一个共同U-NET作为一个编码器,平均函数结合潜在的表示和一个连接解码器输出。我们的综合方法得益于多个输入例如T1, T2和损伤概率地图(行分钟)。为了验证,三种比较方法实现;平均绝对误差(MAE,最好= 0),峰值信噪比(PSNR、最佳= 50 db)和结构相似度指数(SSIM,最好= 1)。之间的比较是合成天赋,分段病变是输出和获得的天赋,手动分割地面实况。
结果:63年额外的大脑对女士被用于验证训练算法。美,PSNR和SSIM计算,平均每个薄片。美合成天赋/病灶分割有价值的0.087/0.0013作为两幅图像之间的平均绝对差;平均PSNR值峰值信噪比是31.32/29.46;分别SSIM两个图像之间的0.9/0.99。
结论:合成图像和自动化病灶分割可能代表一个突破的定量分析异构女士扫描。我们的方法是完全自动的,显示了良好的协议在病灶分割对地面真理。添加一个损伤概率地图作为额外的输入导致增加算法的精度和更快的收敛。
披露:辛格博士没有披露。Jaberzadeh博士没有披露。Pelletier博士已经收到个人赔偿咨询、担任科学顾问委员会说,与生原体或其他活动,EMD Serono,诺华,罗氏,Sanofi-Genzyme。Pelletier博士已经收到了从生原体研究支持,EMD Serono,诺华,罗氏,Sanofi-Genzyme。
