Radiology：深度學習與動脈自旋標記

導語：與常規平均方法得到的ASL圖像，CNN能夠產生更優質、更準確的ASL圖像。

來源：梅斯醫學

本研究旨在利用深度學習演算法改善動脈自旋標記（ASL）灌注圖像的準確性和顯著性，並將結果發表在Radiology上。

對於利用配對剪影生成的ASL圖像，利用卷積神經網路（CNN）作為深度學習演算法。利用6或7個健康志願者常規偽連續ASL或114例不同疾病患者Hadamard編碼偽連續ASL圖像的平均值得到真實灌注圖像。訓練CNN來從一小部分（2或3）剪影圖像中得到灌注圖像，並由交叉驗證進行評價。來自患者組的CNN進行26個腦卒中組中進行測驗。對於均方差和放射學評分，利用配對T檢驗或Wilcoxon等級符號檢驗比較CNN與常規平均方法。

結果為，對於健康志願者和患者、腦卒中患者單獨測試，交叉驗證中CNN均方差約低於常規平均方法的40%(P

本研究表明，與常規平均方法得到的ASL圖像，CNN能夠產生更優質、更準確的ASL圖像。

原始出處：

Kim KH， Choi SH， Park SH. et al.Improving Arterial Spin Labeling by Using Deep Learning.Radiology.DOI： 10.1148/radiol.2017171154

本文系梅斯醫學（MedSci）原創編譯整理，轉載需授權！

邀您一起學習「如何解讀臨床實踐指南」：

指南是改善醫療質量的基石，如何更充分的閱讀和理解臨床實踐指南呢？

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！