使用深度学习网络进行动脉自旋标记MRI的同源图像注册

科学领域:

• 医疗成像医学成像
• 神经成像是一种神经成像.
• 机器学习 机器学习

背景情况:

• 卷积神经网络 (CNN) 擅长记录高信号噪声比 (SNR) 的结构性MRI.
• 功能性MRI (fMRI) 中的低SNR,例如动脉旋转标记 (ASL) perfusion fMRI,对准确的图像记录提出了挑战.
• 对于低SNRASLfMRI注册的CNN的有效性仍然不清楚.

研究的目的:

• 调查基于CNN的亲属注册网络 (ARN) 的可行性,以注册低SNR的3D ASL perfusion fMRI时间序列.
• 将RNA的性能与最先进的统计参数映射 (SPM) 算法进行比较.
• 评估RNA的准确性,速度和泛化能力.

主要方法:

• 开发了一种RNA来学习ASL fMRI数据的六个相关参数.
• 使用模拟运动和真实ASL fMRI采集训练了RNA.
• 应用来自RNA的转换来生成注册图像.
• 在模拟和真实ASLfMRI数据集上比较RNA与SPM,包括对冥想,双相情感障碍和衰老的研究.

主要成果:

• 对于模拟 (1.17 mm/1.23° vs. 6.09 mm/12.90°转换/旋转误差) 和真实ASL图像 (减少了MSE/L1/DSSIM/总误差18.07%/19.02%/0.04%/29.59%),RNA显示的登记精度优于SPM.
• 与SPM相比,RNA实现了4.4倍更快的处理速度 (0.50秒比2.21秒).
• 经过训练的RNA在不同的扫描仪,分辨率和人群 (健康和患病) 中得到了很好的泛化.

结论:

• 在ASL perfusion fMRI注册的准确性,速度和概括性方面,RNA方法显著优于基于代的SPM.
• ARN提供了一种强大而高效的解决方案,用于记录低SNR的fMRI数据,这对于各种神经成像应用至关重要.
• 这种基于CNN的方法推进了用于低SNRfMRI研究的医疗图像分析领域.