诸如类风湿性关节炎的风湿性疾病的发病通常是亚临床的，这导致挑战疾病的早期检测。然而，可以使用诸如MRI或CT的成像技术来检测解剖结构的特征变化。现代成像技术，如化学交换饱和度转移（CEST）MRI驱动希望进一步通过体内代谢物的成像来改善早期检测。为了图像在患者的关节中的小结构，通常是由于疾病发生而导致的第一个区域之一，所以必须为CEST MR成像进行高分辨率。然而，目前，由于收购的潜在物理限制，CEST MR因其潜在的物理限制而受到固有的低分辨率。在这项工作中，我们将建立了基于神经网络的超分辨率方法的建立的上抽样技术。我们可以表明，神经网络能够从低分辨率到高分辨率不饱和CEST图像的映射显着优于当前方法。在测试设定的情况下，使用Reset神经网络可以实现32.29dB（+ 10％），NRMSE为0.14（+ 28％）的NRMSE，以及0.85（+ 15％）的SSSim，大大提高了基线。这项工作为超分辨率CEST MRI的神经网络预期调查铺平了道路，并且可能导致较早的风湿病发作的检测。
translated by 谷歌翻译
脑转移经常发生在转移性癌症的患者中。早期和准确地检测脑转移对于放射治疗的治疗计划和预后至关重要。为了提高深入学习的脑转移检测性能，提出了一种称为体积级灵敏度特异性（VSS）的定制检测损失，该损失是单个转移检测灵敏度和（子）体积水平的特异性。作为敏感性和精度始终在转移水平中始终是折射率，可以通过调节VSS损耗中的重量而无需骰子分数系数进行分段转移来实现高精度或高精度。为了减少被检测为假阳性转移的转移样结构，提出了一种时间的现有量作为神经网络的额外输入。我们提出的VSS损失提高了脑转移检测的敏感性，将灵敏度提高了86.7％至95.5％。或者，它将精度提高了68.8％至97.8％。随着额外的时间现有量，在高灵敏度模型中，约45％的假阳性转移减少，高特异性模型的精度达到99.6％。所有转移的平均骰子系数约为0.81。随着高灵敏度和高特异性模型的集合，平均每位患者的1.5个假阳性转移需要进一步检查，而大多数真正的阳性转移确认。该集合学习能够区分从需要特殊专家审查或进一步跟进的转移候选人的高信心真正的阳性转移，特别适合实际临床实践中专家支持的要求。
translated by 谷歌翻译