基于深度对对比学习的双向特征匹配,用于多参数MRI图像合成

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 多参数MRI合成有助于诊断,当特定的模式是不可用的.
• 技术上的局限性往往使得患者无法获得所有必要的MRI模式.

研究的目的:

• 提出一种新的多参数MRI合成模型,从两个可用的模型中生成目标MRI模式.
• 通过合成缺少的对比度来增强病理MR图像分析.
• 在有限的MRI采集场景中提高诊断能力.

主要方法:

• 一种对比式学习方法训练一个编码器用于目标空间特征提取.
• 一个合成网络从一个共同的特征空间生成目标图像.
• 采用双向特征学习和联合重建和双向三重损失.

主要成果:

• 该模型比最先进的方法实现了3.9% (IXI数据集) 和3.6% (BraTS'18数据集) 的平均改进率.
• 在BraTS'18数据集上,该模型记录了合成瘤区域的0.793{\displaystyle 0.034}{\displaystyle 0.793}{\displaystyle 0.04}{\displaystyle 0.793}{\displaystyle 0.04}{\displaystyle 0.793}{\displaystyle 0.04}}的最高子得分.
• 该模型在合成来自MR采集的头部和部CT图像方面表现出灵活性.

结论:

• 拟议的模型有效地产生多样化的MR对比度,并在合成图像中保存瘤区域.
• 该模型的灵活性延伸到跨模式合成 (例如,MR到CT).
• 未来的工作包括对神经外科和放射治疗应用中的干预性MRI的验证.