Radiology:人工智能在星形细胞瘤DCE MRI药代动力学参数中的应用@MedSci | 您所在的位置:网站首页 › 药代动力学的应用 › Radiology:人工智能在星形细胞瘤DCE MRI药代动力学参数中的应用@MedSci |
然而,DCE MRI的AIF(AIFDCE)极易受到噪声的影响,导致PK参数的可靠性降低。在放射组学领域,结合扩散和灌注MRI可以改善胶质母细胞瘤的生存预测和假性进展等预测模型的诊断性能。但是,从DCE灌注MRI获得的放射组学特征因AIF而异,因此可靠性较低。现阶段,一种神经网络模型,对抗网络在各种图像转换任务中表现良好。已有研究表明,对抗网络改善了多项与医学成像相关任务的性能及稳定性。 近日,发表在Radiology杂志的一项研究开发了一种提高AIF在DCE MRI中的可靠性的深度学习模型,并通过改进的AIF在星形细胞瘤分级中验证了PK参数的可靠性和诊断性能。 本项回顾性研究于2010年4月至2018年1月期间纳入了386例经组织病理学分析诊断为星形细胞瘤的患者(平均年龄52岁±16岁[标准偏差];226例男性),每位患者均在术前接受了动态磁敏感对比(DSC)增强和DCE MRI检查。从DSC增强MRI (AIFDSC)获得AIF,并在DCE MRI (AIFDCE)上测量AIF。训练模型将AIFDCE转化为AIFDSC,并在训练后输出带有输入AIFDCE的神经网络生成的AIF(AIFgenerated DSC)。利用三种不同的AIFs,在DCE MRI上提取肿瘤区域的Ktrans、Ve和Vp。使用不同的AIFs比较星形细胞瘤分级中PK参数的类内相关系数和受试者工作特征曲线(AUCs)下面积对该模型进行验证。 在星形细胞瘤分级中,由AIFgenerated DSC、DSC衍生的PK参数比由AIFDCE衍生的参数的AUC更高(平均Ktrans, 0.88[95%置信区间{CI}: 0.81, 0.93] vs 0.72 [95% CI: 0.63, 0.79],P = .04;平均Ve, 0.87 [95% CI: 0.79, 0.92] vs 0.70 [95% CI: 0.61, 0.77],P = .049)。在AIFgenerated DSC中,Ktrans和Ve的内部相关系数高于AIFDCE (0.91 vs 0.38, P 在AIF分析中,基线信号强度(SI)、最大SI和快进斜率与AIFDCE的内部相关系数均高于AIFDCE (0.77 vs 0.29, P
表1 磁共振动态增强药代动力学参数在鉴别高级别和低级别星形细胞瘤的诊断性能。 图1 具有代表性的由(A)AIFDCE、(B)AIFDSC 和(C)AIFgenerated DSC衍生的Ktrans(左)、Ve(中)和Vp(右)。每行代表三种不同的AIF,每列代表三种不同的PK参数图。需要注意的是,由AIFgenerated DSC(C)导出的PK参数图与由AIFDSC (B)导出的PK参数图几乎相同。颜色条表示了该情况下每个PK参数的最高值和最低值。 本研究开发了一种深度学习算法,该算法提高了动态对比增强MRI药代动力学参数的可靠性和诊断性能,并验证了该算法作为一种用于星形细胞瘤分级的临床应用的效能,为临床术前准确制定治疗方案并预测患者预后提供了技术支持,并为进一步更为复杂的如预测神经胶质瘤的假性进展和基因突变等相关研究开辟了道路。 原文出处: Kyu Sung Choi,Sung-Hye You,Yoseob Han,et al.Improving the Reliability of Pharmacokinetic Parameters at Dynamic Contrast-enhanced MRI in Astrocytomas: A Deep Learning Approach.DOI:10.1148/radiol.2020192763 来源:MedSci原创 版权声明: 本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有,非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。本网所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。同时转载内容不代表本站立场。 在此留言 |
CopyRight 2018-2019 实验室设备网 版权所有 |