Un algorithme de débruitage par apprentissage profond basé sur DICOM vétérinaire peut améliorer la qualité subjective et objective des images d'IRM cérébrale.

Publié le 13 février 2025
Algorithme d'apprentissage profond pour l'IRM vétérinaire - HawkAI Paper#1

Résumé

Dans cette étude analytique transversale de comparaison de méthodes, nous avons évalué les images IRM cérébrales de 30 chiens et chats, avec et sans l’utilisation d’un algorithme de débruitage basé sur le deep learning (DL) et développé spécifiquement pour les patients vétérinaires. La comparaison quantitative a été réalisée en mesurant les rapports signal/bruit (SNR) et contraste/bruit (CNR) sur les mêmes images IRM pondérées T2 (T2W), T2-FLAIR et Gradient Echo (GRE) chez chaque patient (images natives et après débruitage) dans des régions d’intérêt identiques.

Des comparaisons qualitatives ont ensuite été effectuées : trois radiologues vétérinaires expérimentés ont évalué indépendamment chaque série d’images T2W, T2-FLAIR et GRE de chaque patient. Les images natives et débruitées ont été évaluées séparément, et les observateurs étaient aveugles quant au type d’images qu’ils analysaient. Pour chaque type d’image (native et débruitée) et chaque séquence d’impulsion, ils ont attribué une note subjective concernant la granulosité, le contraste et la qualité globale.

Pour toutes les séries d’images testées (T2W, T2-FLAIR et GRE), les SNR de la substance grise corticale, de la substance blanche sous-corticale, de la substance grise profonde et de la capsule interne étaient statistiquement significativement plus élevés sur les images traitées avec l’algorithme de débruitage DL que sur les images natives. De même, pour tous les types de séries d’images testées, les CNR entre la substance grise corticale et la substance blanche, ainsi qu’entre la substance grise profonde et la capsule interne, étaient significativement plus élevés sur les images traitées par l’algorithme DL que sur les images natives.

L’analyse qualitative a confirmé ces résultats, avec des scores généralement meilleurs en termes de granulosité, de contraste et de qualité globale pour les images traitées avec l’algorithme de débruitage DL.

Dans cette étude, cet algorithme de débruitage basé sur le deep learning et compatible DICOM a permis de réduire le bruit sur les images IRM cérébrales de chiens et chats en 1,5T, et la qualité perçue des images par les radiologues s’est améliorée.

Essayez-nous maintenant

Planifiez un appel de découverte avec l'un de nos représentants

    HawkCell