基于DBCNet的TOF-MRA中脑动脉树区域自动分割方法

从脑部医学影像中划分动脉树区域是诊断和评估许多脑血管疾病的早期步骤.现有的区域分割方法多依赖人工辅助,本文中提出了一种基于双分支连通网络(dual branch connected network,DBCNet)的脑动脉树自动分区方法,可以将时间飞跃磁共振血管造影(time of flight-magnetic resonance angiography,TOF-MRA)中的动脉树分割为6个主要区域.DBCNet中引入了分支特征解耦模块和Swin Transformer机制的全局与局部特征融合模块,训练采用先定位后分割的两步训练策略.本研究使用了111例TOF-MRA数据,其中81例作为训练集,20例作为验证集,10例作为测试集,模型在测试集上的平均Dice系数为74.72%,95%豪斯多夫距离(HD95)为3.89 mm.和其他先进分割网络相比较,该网络能更准确地分割出各个主要区域,并具有一定的鲁棒性.

磁共振血管壁成像评估颅内动脉瘤稳定性的新进展

未破裂颅内动脉瘤(UIA)一旦破裂将引起严重后果,因此准确评估其稳定性成为临床亟需解决的问题。高分辨血管壁成像(HR-VWI)能直观显示动脉瘤壁厚度(AWT)和动脉瘤壁强化(AWE)特征,对UIA瘤壁特征进行量化评估,还可以分析瘤壁特征与组织病理学、血流动力学和破裂危险因素的相关性,在评估UIA稳定性方面具有重要作用。介绍HR-VWI技术原理,并就其在UIA中的最新研究进展作一综述。

宫颈癌2018 FIGO分期及其MRI表现解读

2018年10月,国际妇产科联盟(FIGO)公布了最新版宫颈癌分期系统,新的分期系统首次提出将影像学和病理学检查结果纳入分期标准,开启了宫颈癌分期系统由临床分期向手术病理分期转变的新征程。笔者就宫颈癌的新分期及其磁共振成像(magnetic resonance imaging,MRI)表现进行简要解读,以协助大家全面理解宫颈癌2018 FIGO分期,有助于临床更好地将其应用于宫颈癌诊治。