心脏磁共振成像(cardiac magnetic resonance,CMR)过程中患者误动、异常幅度的呼吸运动、心律失常会造成CMR图像质量下降,为解决现有的CMR图像增强网络需要人为制作配对数据,且图像增强后部分组织纹理细节丢失的问题,提出了基于空频域...心脏磁共振成像(cardiac magnetic resonance,CMR)过程中患者误动、异常幅度的呼吸运动、心律失常会造成CMR图像质量下降,为解决现有的CMR图像增强网络需要人为制作配对数据,且图像增强后部分组织纹理细节丢失的问题,提出了基于空频域特征学习的循环一致性生成对抗网络(cycle-consistent generative adversavial network based on spatial-frequency domain feature learning,SFFL-CycleGAN).研究结果表明,该网络无须人为制作配对数据集,增强后的CMR图像组织纹理细节丰富,在结构相似度(structural similarity,SSIM)和峰值信噪比(peak signal to noise ratio,PSNR)等方面均优于现有的配对训练网络以及原始的CycleGAN网络,图像增强效果好,有效助力病情诊断.展开更多
文摘目的探讨增强T2^(*)加权血管成像(enhanced T2 star-weighted angiography,ESWAN)序列中R2^(*)值、相位值、幅度值在T2WI低信号肾脏病变良恶性鉴别诊断中的可行性。材料与方法回顾性收集行ESWAN检查、经病理组织学证实的145例T2WI低信号肾脏病变患者(共145个病灶,恶性病变112个,良性病变33个)的术前MRI图像。在肿瘤最大面积的层面上绘制肿瘤T2WI低信号的感兴趣区。通过Kruskal-Wallis检验、卡方检验对参数进行比较,将有统计学意义的参数进行联合,通过多变量logistic回归建立模型,分析差异有统计学意义的参数,并且绘制其鉴别T2WI低信号肾脏病变良恶性的受试者工作特征(receiver operating characteristic,ROC)曲线,采用DeLong检验评价其诊断效能。结果R2^(*)值和幅度值鉴别T2WI低信号肾脏病变良恶性差异具有统计学意义(P=0.001)。R2^(*)值的ROC曲线下面积(area under the curve,AUC)为0.891[95%置信区间(confidence interval,CI):0.829~0.937,P<0.001],敏感度、特异度分别为97.3%、72.7%;幅度值的AUC为0.869(95%CI:0.803~0.920,P<0.001),敏感度、特异度分别为86.6%、81.8%;相位值的AUC为0.563(95%CI:0.478~0.645,P=0.249),敏感度、特异度分别为67.9%、54.6%;R2^(*)值联合幅度值的AUC为0.886(95%CI:0.823~0.933,P<0.001),敏感度、特异度分别为97.3%、72.7%;R2^(*)值联合病变长径的AUC为0.894(95%CI:0.832~0.939,P<0.001),敏感度、特异度分别为92.0%、81.8%;幅度值联合病变长径的AUC为0.858(95%CI:0.790~0.910,P<0.001),敏感度、特异度分别为75.9%、90.9%。结论R2^(*)值、R2^(*)值联合病变长径、R2^(*)值联合幅度值是鉴别T2WI低信号肾脏病变良恶性的有效方法,R2^(*)值联合病变长径具有更好的诊断性能。
文摘心脏磁共振成像(cardiac magnetic resonance,CMR)过程中患者误动、异常幅度的呼吸运动、心律失常会造成CMR图像质量下降,为解决现有的CMR图像增强网络需要人为制作配对数据,且图像增强后部分组织纹理细节丢失的问题,提出了基于空频域特征学习的循环一致性生成对抗网络(cycle-consistent generative adversavial network based on spatial-frequency domain feature learning,SFFL-CycleGAN).研究结果表明,该网络无须人为制作配对数据集,增强后的CMR图像组织纹理细节丰富,在结构相似度(structural similarity,SSIM)和峰值信噪比(peak signal to noise ratio,PSNR)等方面均优于现有的配对训练网络以及原始的CycleGAN网络,图像增强效果好,有效助力病情诊断.
