粗超分辨率精细网络 (CoSF-Net):一个统一的端到端神经网络用于4D-MRI,同时进行运动估计和超分辨率

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 辐射瘤学 辐射瘤学

背景情况:

• 四维磁共振成像 (4D-MRI) 对于图像引导放射治疗 (IGRT) 中的瘤运动管理至关重要.
• 目前的4D-MRI技术面临诸多挑战,包括空间分辨率低和运动工件,影响治疗规划和交付.
• 这些局限性源于长时间的获取时间和患者的呼吸变异.

研究的目的:

• 开发一个新的深度学习框架,CoSF-Net,用于4D-MRI的同时运动估计和超分辨率.
• 解决现有的4D-MRI技术的局限性,以改善图像引导辐射疗法.
• 增强解剖特征可视化和图像质量,以精确瘤准.

主要方法:

• 开发了一个深度学习框架,名为CoSF-Net (粗超分辨率精细网络).
• 设计了CoSF-Net,以利用固有的4D-MRI特性,并处理有限的,不完美的训练数据集.
• 通过对真实患者数据集进行广泛的实验,验证了网络的性能.

主要成果:

• CoSF-Net精确估计了4D-MRI的呼吸阶段之间的可变形矢量场.
• 该网络同时提高了4D-MRI图像的空间分辨率.
• 增强了解剖特征,并产生了具有高时空分辨率的4D-MR图像,优于现有方法.

结论:

• CoSF-Net提供了一个强大的解决方案,用于改善图像导向放射治疗中的4D-MRI质量.
• 开发的框架有效地解决了运动工件和低空间分辨率问题.
• CoSF-Net有可能显著提高瘤运动管理和治疗精度.