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.
Hintergrund: 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.
Ergebnisse und schlussfolgerung: 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.
Kernaussagen: · 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..
Thieme. All rights reserved.