• Quantitative Analysis of DCE a...

Treffer: Quantitative Analysis of DCE and DSC-MRI: From Kinetic Modeling to Deep Learning.

Title:
Quantitative Analysis of DCE and DSC-MRI: From Kinetic Modeling to Deep Learning.
Transliterated Title:
Quantitative Analyse von DCE und DSC-MRT: Kinetisches Modelling bis Deep Learning.
Authors:
Rotkopf LT; Department of Radiology, German Cancer Research Centre, Heidelberg, Germany., Zhang KS; Department of Radiology, German Cancer Research Centre, Heidelberg, Germany., Tavakoli AA; Department of Radiology, German Cancer Research Centre, Heidelberg, Germany., Bonekamp D; Department of Radiology, German Cancer Research Centre, Heidelberg, Germany., Ziener CH; Department of Radiology, German Cancer Research Centre, Heidelberg, Germany., Schlemmer HP; Department of Radiology, German Cancer Research Centre, Heidelberg, Germany.
Source:
RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin [Rofo] 2022 Sep; Vol. 194 (9), pp. 975-982. Date of Electronic Publication: 2022 Feb 24.
Publication Type:
Journal Article
Language:
English
Journal Info:
Publisher: Thieme Country of Publication: Germany NLM ID: 7507497 Publication Model: Print-Electronic Cited Medium: Internet ISSN: 1438-9010 (Electronic) Linking ISSN: 14389010 NLM ISO Abbreviation: Rofo Subsets: MEDLINE
Imprint Name(s):
Original Publication: Stuttgart : Thieme
MeSH Terms:
Deep Learning*, Image Processing, Computer-Assisted ; Machine Learning ; Magnetic Resonance Angiography ; Magnetic Resonance Imaging ; Neural Networks, Computer
Contributed Indexing:
Local Abstract: [Publisher, German] Das Perfusions-MRT stellt eine etablierte Bildgebungsmodalität mit einer Vielzahl von Anwendungen in der onkologischen, neurovaskulären oder kardiovaskulären Bildgebung dar. Die mittlerweile klinisch etablierten quantitativen Auswertemethoden haben sich in den letzten Jahren jedoch wenig geändert. Dies liegt vorrangig an den geringen Verbesserungen, die durch neue Verfahren erzielt werden konnten. [Publisher, German] Machine Learning und Deep Learning, die derzeit den state of the art der computergestützten Diagnoseverfahren darstellen, haben das Potenzial die vielfältige Information, die in perfusionsgestützter Bildgebung akquiriert wird, vollständig besser als bisher zu erfassen und zu nutzen. Rekurrente neuronale Netze können nach entsprechendem Training Zeitserien mit hoher Genauigkeit vorhersagen und klassifizieren. Speziell die Kombination aus mikrostrukturellen Gewebsmodellen und Deep Learning mittels physics-informed neural networks oder universal differential equations vereinfacht kann das das Training der Modelle vereinfachen und die Interpretabilität verbessern. Aufgrund ihrer vielseitigen Anwendbarkeit ist es möglich, dass diese Methoden in der Lage sein werden, das Wechselspiel zwischen der mikrovaskulären Architektur und Perfusionsparametern besser zu modellieren. Weitere Forschung in diesem Gebiet ist dringend notwendig, um diese Methoden für die klinische Arbeit einsatzfähig zu machen. [Publisher, German] · Machine Learning-Methoden bieten vielversprechende Möglichkeiten zur Auswertung von Perfusionsdaten.. · Rekurrente neuronale Netze können Zeitserien mit hoher Genauigkeit klassifizieren.. · Data augmentation ist besonders bei kleinen Datensätzen essentiell..
Entry Date(s):
Date Created: 20220225 Date Completed: 20220830 Latest Revision: 20220929
Update Code:
20250114
DOI:
10.1055/a-1762-5854
PMID:
35211930
Database:
MEDLINE

Weitere Informationen

Background: Perfusion MRI is a well-established imaging modality with a multitude of applications in oncological and cardiovascular imaging. Clinically used processing methods, while stable and robust, have remained largely unchanged in recent years. Despite promising results from novel methods, their relatively minimal improvement compared to established methods did not generally warrant significant changes to clinical perfusion processing.
Results and Conclusion: Machine learning in general and deep learning in particular, which are currently revolutionizing computer-aided diagnosis, may carry the potential to change this situation and truly capture the potential of perfusion imaging. Recent advances in the training of recurrent neural networks make it possible to predict and classify time series data with high accuracy. Combining physics-based tissue models and deep learning, using either physics-informed neural networks or universal differential equations, simplifies the training process and increases the interpretability of the resulting models. Due to their versatility, these methods will potentially be useful in bridging the gap between microvascular architecture and perfusion parameters, akin to MR fingerprinting in structural MR imaging. Still, further research is urgently needed before these methods may be used in clinical practice.
Key Points: · Machine learning offers promising methods for processing of perfusion data.. · Recurrent neural networks can classify time series with high accuracy.. · Data augmentation is essentially especially when using small datasets..
Citation Format: · Rotkopf LT, Zhang KS, Tavakoli AA et al. Quantitative Analysis of DCE and DSC-MRI: From Kinetic Modeling to Deep Learning. Fortschr Röntgenstr 2022; 194: 975 - 982.
(Thieme. All rights reserved.)

The authors declare that they have no conflict of interest.