Mapas quantitativos da perfusão cerebral por RM em alta resolução.

• Processo: 15/27022-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de setembro de 2016
• Data de Término da vigência: 28 de fevereiro de 2019
• Área do conhecimento: Ciências da Saúde - Medicina - Radiologia Médica
• Pesquisador responsável: Felipe Brunetto Tancredi
• Beneficiário: Felipe Brunetto Tancredi
• Instituição Sede: Instituto Israelita de Ensino e Pesquisa Albert Einstein (IIEPAE). Sociedade Beneficente Israelita Brasileira Albert Einstein (SBIBAE). São Paulo , SP, Brasil
• Município da Instituição Sede: São Paulo
• Pesquisadores associados: Edson Amaro Junior ; Ronaldo Hueb Baroni
• Bolsa(s) vinculada(s): 16/20878-9 - Mapas quantitativos da perfusão cerebral por RM em alta resolução, BP.TT
• Assunto(s): Ressonância magnética
• Palavra(s)-Chave do Pesquisador: Perfusão cerebral | Ressonância Magnética | RM quantitativa | Ressonância Magnética

Resumo

Imagens por ressonância magnética (RM) contrastada têm permitido a avaliação da hemodinâmica cerebral em alta resolução, mas a quantificação de perfusão usando essas técnicas tem sido difícil. Por outro lado, o método de Arterial Spin Labeling (ASL) permite quantificar a perfusão cerebral com exatidão, porém baixa resolução espacial. Esse estudo visa o desenvolvimento de um novo método de imagem que, combinando imagens de RM contrastada com imagens de ASL, seja capaz de gerar mapas quantitativos da perfusão cerebral em alta resolução espacial. Os resultados desse estudo podem ter grande impacto clínico, melhorando o diagnóstico neuroradiológico e o planejamento de intervenções cirúrgicas. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

RAMOS, JHONATA EMERICK; KIM, HAE YONG; TANCREDI, FELIPE BRUNETTO. Using Convolutional Neural Network to Automate ACR MRI Low-Contrast Detectability Test. IEEE ACCESS, v. 10, p. 10-pg., 2022-01-01. (15/27022-0)

RAMOS, JHONATA E.; KIM, HAE YONG; TANCREDI, F. B.; LI, W; LI, Q; WANG, L. Automation of the ACR MRI Low-Contrast Resolution Test Using Machine Learning. 2018 11TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI 2018), v. N/A, p. 6-pg., 2018-01-01. (15/27022-0)