源自动态磁化率对比增强 (DSC) MRI 的脑血容量 (CBV) 图是评估脑肿瘤灌注的公认且可靠的方法。尽管 CBV 图在临床实践中具有重要意义，但其获取和应用仍存在挑战。图像到图像转换技术旨在将一种视觉表示或风格转换为另一种视觉表示或风格，或构建从一系列图像到另一图像的映射，有可能将非灌注标准 MRI 扫描转换为灌注图像。

生成对抗网络（GAN）是一种基于深度学习的框架，它从一组训练数据中学习映射并生成与训练数据具有相同特征的合成数据。GAN 由生成器和判别器组成，两者都是典型的神经网络，相互竞争。生成器输入源数据并被训练以产生假目标数据，而鉴别器被训练以区分生成的假数据和真实目标数据。GAN 及其变体已广泛应用于大脑图像合成的深度学习技术。基于 GAN 的技术之前已用于跨模态图像翻译，并且有望从一系列 MRI 扫描中生成 CBV 图。

与标准 MRI 扫描不同，DSC MRI 通常需要专家进行手动后处理，这可能会导致生成 CBV 图时操作员之间的差异。例如，当使用不同的后处理协议。缺乏标准化 CBV 地图以及有限的人工干预可能会影响基于 GAN 的技术合成准确 CBV 地图的能力。

Bookend 技术是一种 DSC MRI 方法，通过动脉输入功能独立的 CBV 稳态测量（从注射造影剂后白质和血池的 T1 值变化获得）提供定量灌注测量和患者特异性校准。最近，MRI 脉冲序列采用书挡技术，建立了独立于操作员的定量 CBV 图生成，从而消除了操作员间偏差。用作地面实况数据的可靠且独立于操作员的定量 CBV 地图的可用性可以使用基于 GAN 的技术可靠地合成 CBV 地图。

2023年8月15日发表在RADIOLOGY的研究，旨在研究基于 GAN 的深度学习算法从标准 MRI 扫描生成定量 CBV 图并参考 SCALE-PWI 的定量 CBV 图的可行性。此外，本文的目的是评估合成 CBV 图谱的额外临床价值，以帮助使用多中心外部数据集进行脑肿瘤分级管理、鉴别诊断和预后预测。

本文摘要图

本研究共纳入了 756 次 MRI 检查，包括书挡 DSC MRI 生成的定量 CBV 图。训练两种算法，即特征一致性生成对抗网络（GAN）和仅具有平均绝对误差损失的三维编码器-解码器网络来合成 CBV 图。使用结构相似性指数（SSIM）对两种算法的性能进行定量评估，并由两位神经放射科医生使用四点李克特量表进行定性评估。

使用多中心数据集（四个外部数据集和一个内部数据集）在多种临床场景（肿瘤分级、预后预测、鉴别诊断）中评估了脑肿瘤的合成 CBV 图和标准 MRI 扫描相结合的临床价值。使用以下方法测试了诊断和预测准确性的差异 z测试。

研究结果显示，T1加权图像、对比度增强T1加权图像和表观扩散系数图作为输入的三维编码器-解码器网络实现了最高的综合性能。神经放射科医生合成的 CBV 图的平均定性得分为 2.63。将合成 CBV 与标准 MRI 相结合，提高了胶质瘤分级的准确性、胶质瘤预后预测，以及胶质瘤肿瘤复发和治疗反应之间的鉴别诊断和脑转移瘤。

带有金属伪影的患者的标准 MRI 扫描、病理图像以及真实和合成脑血容量 (CBV) 图

本文提出了一种基于生成对抗网络的图像合成方法，使用书挡 DSC MRI 作为模型训练参考，从标准 MRI 创建定量 CBV 图。合成的 CBV 图不仅表现出与真实定量 CBV 图相似的外观，而且在肿瘤分级中显示出可行的附加临床价值，并区分肿瘤复发与神经胶质瘤和脑转移瘤的治疗反应。

原文出处