开源网络对并行MR成像重建的稳定性的数值和临床评估

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:

• 深度神经网络 (DNN) 越来越多地用于MRI重建.
• 临床MRI数据集显示域多样性,引发了关于DNN概括性的问题.
• 对于可靠的临床应用,DNN对域位移的稳定性至关重要.

研究的目的:

• 在数值和临床上评估DNN在多个领域的MRI重建的概括性和稳定性.
• 为了比较U-Net,DC-CNN,混合级联和VarNet在各种临床条件下的性能.
• 为选择临床使用的MRI重建模型提供实际指导.

主要方法:

• 使用快速MRI多线圈数据集,比较了四个DNN模型 (U-Net,DC-CNN,混合级联,VarNet).
• 进行单域和跨域测试,包括图像计数,采样,加速,噪音,对比度和解剖等不同因素.
• 进行了数值和临床评估,以评估重建性能和强度.

主要成果:

• VarNet表现出最高的性能和稳定性,即使训练数据有限.
• 与基于模型的网络相比,U-Net的性能和稳定性较低,除了噪音水平的变化.
• 混合级联和DC-CNN表现良好,混合级联在大多数方面略高于DC-CNN.
• 临床评估证实了这些定量发现.

结论:

• 该研究提供了DNN在MRI重建中的强度的全面评估.
• 在不同的临床环境中,VarNet因其卓越的性能和概括能力而被推.
• 为选择适合临床MRI应用的DNN模型提供了实际指导.