基于生成对抗网络提高动脉自旋标记图像质量及量化精度分析

• 作者: 曹宸 刘之洋 郭瑜 夏爽
• 来源期刊: 中华医学杂志
• 关键词: 自旋标记物 动脉 深度学习 缺血性脑卒中 医学影像
• 年，卷（期）: 2021,（23）
• 所属期刊栏目: 动脉自旋标记在神经系统病变的应用
• 页码范围: 1772-1777
• 页数: 6页
• 语种: 中文
• DOI: 10.3760/cma.j.cn112137-20201105-03025

摘要

目的:探讨利用深度学习方法提高动脉自旋标记（ASL）图像质量，并优化其对脑血流量（CBF）的定量准确性。方法:回顾性分析2018年5月至2019年8月天津市环湖医院101例脑血管病患者临床及影像资料，分为训练集71例和验证集30例。训练集中男53例，女18例，年龄55.0 （41.3，64.5）；测试集中男23例，女7例，年龄57.5 （49.0，65.0）。以定量灌注加权成像为参考标准，通过训练一个深度学习生成对抗网络（GAN）重建原始ASL-CBF图像。通过结构相似指数和标准均方根误差比较原始ASL-CBF与GAN-CBF的图像质量，并使用Pearson相关分析比较不同脑血管供血区及卒中病灶区ASL-CBF、GAN-CBF与定量灌注的相关性，验证GAN对ASL的图像质量与量化精度的提升性能。结果:训练集和验证集两组患者性别、年龄、疾病类型、卒中病灶位置及大小差异均无统计学意义（均 P>0.05）。GAN-CBF比ASL-CBF的结构相似指数更高（0.888比0.801， P<0.001），且标准均方根误差更低（0.628 比 0.775， P<0.001）。在不同血管供血区及卒中病灶区，GAN-CBF比ASL-CBF与定量灌注的相关性更高，以中动脉穿通支供血区（ r=0.853）与卒中病灶区（ r=0.765）的相关性提升最为明显（均 P<0.001）。 结论:生成对抗网络可以在不增加扫描时间而提高ASL的图像质量与量化精度，拓展了ASL的临床应用价值。