view in publisher's site

Data‐driven synthetic MRI FLAIR artifact correction via deep neural network

Abstract Background FLAIR (fluid attenuated inversion recovery) imaging via synthetic MRI methods leads to artifacts in the brain, which can cause diagnostic limitations. The main sources of the artifacts are attributed to the partial volume effect and flow, which are difficult to correct by analytical modeling. In this study, a deep learning (DL)‐based synthetic FLAIR method was developed, which does not require analytical modeling of the signal. Purpose To correct artifacts in synthetic FLAIR using a DL method. Study Type Retrospective. Subjects A total of 80 subjects with clinical indications (60.6 ± 16.7 years, 38 males, 42 females) were divided into three groups: a training set (56 subjects, 62.1 ± 14.8 years, 25 males, 31 females), a validation set (1 subject, 62 years, male), and the testing set (23 subjects, 57.3 ± 20.4 years, 13 males, 10 females). Field Strength/Sequence 3 T MRI using a multiple‐dynamic multiple‐echo acquisition (MDME) sequence for synthetic MRI and a conventional FLAIR sequence. Assessment Normalized root mean square (NRMSE) and structural similarity (SSIM) were computed for uncorrected synthetic FLAIR and DL‐corrected FLAIR. In addition, three neuroradiologists scored the three FLAIR datasets blindly, evaluating image quality and artifacts for sulci/periventricular and intraventricular/cistern space regions. Statistical Tests Pairwise Student's t‐tests and a Wilcoxon test were performed. Results For quantitative assessment, NRMSE improved from 4.2% to 2.9% (P  < 0.0001) and SSIM improved from 0.85 to 0.93 (P  < 0.0001). Additionally, NRMSE values significantly improved from 1.58% to 1.26% (P  < 0.001), 3.1% to 1.5% (P  < 0.0001), and 2.7% to 1.4% (P  < 0.0001) in white matter, gray matter, and cerebral spinal fluid (CSF) regions, respectively, when using DL‐corrected FLAIR. For qualitative assessment, DL correction achieved improved overall quality, fewer artifacts in sulci and periventricular regions, and in intraventricular and cistern space regions. Data Conclusion The DL approach provides a promising method to correct artifacts in synthetic FLAIR. Level of Evidence : 4 Technical Efficacy : Stage 1 J. Magn. Reson. Imaging 2019;50:1413–1423.

artifact - - MRI برگرفته از داده از طریق شبکه عصبی عمیق

چکیده پس‌زمینه ؟ تصویر برداری inversion (recovery attenuated fluid)از طریق روش‌های مصنوعی MRI منجر به artifacts موجود در مغز می‌شود که می‌تواند موجب محدودیت‌های تشخیصی شود. منابع اصلی مصنوعات به اثر و جریان حجمی نسبی نسبت داده می‌شوند که مدل‌سازی تحلیلی آن‌ها دشوار است. در این مطالعه، یک روش synthetic یادگیری عمیق (DL)ساخته شد که به مدل‌سازی تحلیلی سیگنال نیاز ندارد. هدف برای اصلاح مصنوعات مصنوعی با استفاده از یک روش DL. نوع مطالعه retrospective. موضوعات در مجموع ۸۰ نفر با نشانه‌های بالینی (۶۰.۶ ± ۱۶.۷ سال، ۳۸ مرد، ۴۲ زن)به سه گروه تقسیم شدند: یک مجموعه آموزشی (۵۶ سوژه، ۶۲.۱ ± ۰.۲ سال، مردان)، و مجموعه تست (۲۳ موضوع، ۵۷.۳ ± ۲۰ سال، ۱۳ مرد، ۱۰ زن). استحکام میدان / توالی ۳. آر آی با استفاده از یک توالی چند تایی dynamic چند تایی (MDME)برای MRI و یک توالی flair مرسوم استفاده می‌کند. ارزیابی mean ریشه Normalized شده (nrmse)و شباهت ساختاری (ssim)برای uncorrected مصنوعی flair و DL corrected تصحیح شدند. علاوه بر این، سه neuroradiologists سه مجموعه داده flair را کورکورانه به ثمر رساندند، کیفیت تصویر و مصنوعات تصویر برای sulci / periventricular و intraventricular / cistern را ارزیابی کردند. آزمون‌های آماری دو تست Student's و تست Wilcoxon انجام شد. نتایج برای ارزیابی کمی، nrmse از ۴.۲ % به ۲.۹ % (P < ۰.۰۰۰۱)و ssim از ۰.۸۵ تا ۰.۹۳ (P < ۰.۰۰۰۱)بهبود یافت. علاوه بر این، مقادیر nrmse به طور قابل‌توجهی از ۱.۵۸ درصد به ۱.۲۶ درصد (P = ۰.۰۰۱)، و ۲.۷ % تا ۱.۴ % (P < ۰.۰۰۰۱)در ماده سفید، ماده خاکستری و نواحی مغزی نخاعی (CSF)بهبود یافته بود. برای ارزیابی کیفی، اصلاح DL موجب بهبود کیفیت کلی، مصنوعات کمتری در مناطق sulci و periventricular، و در مناطق space و cistern می‌شود. نتیجه‌گیری رویکرد DL یک روش امیدوار کننده برای اصلاح مصنوعات در flair مصنوعی فراهم می‌کند. سطح شواهد: ۴ تاثیر فنی: مرحله ۱ J. Magn. Reson. تصویر برداری (۲۰۱۹)؛ ۵۰: ۱۴۱۳ (۱۴۲۳).
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Radiology Nuclear Medicine and imaging
  • ترجمه مقاله Radiology Nuclear Medicine and imaging
  • مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • ترجمه مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.