临床评估的k空间相关性告知运动工件检测在分割多切片MRI的临床评估

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 生物医学信号处理

背景情况:

• 运动文物降低了磁共振成像 (MRI) 中的诊断图像质量.
• 人造物需要患者召回,增加成本并对患者体验产生负面影响.
• 在扫描过程中实时检测运动工件对于工作流的优化至关重要.

研究的目的:

• 开发和验证一种直接从原始k空间数据中检测运动工件的方法.
• 评估深度学习模型在预测运动工件的严重性方面的表现.
• 为了在MRI采集过程中能够立即采取纠正措施,从而减少对rescans的需求.

主要方法:

• 在k空间数据中的相邻相位编码线上利用交叉相关性分析.
• 训练了一种分散注意力的残余网络来预测运动工件的严重程度.
• 在模拟数据上验证了模型,并在从多次射击,多次切片扫描的临床k空间数据集上测试了它的有效性.

主要成果:

• 从原始k空间数据直接检测运动工件的可行性.
• 训练有素的分散注意力残留网络有效地预测了运动工件的严重程度.
• 拟议的方法显示了MRI扫描仪内实时文物检测的潜力.

结论:

• 直接的k空间分析与深度学习相结合,为MRI中实时运动工件检测提供了一个有希望的方法.
• 这种技术可以显著提高放射学工作流程的效率,并降低相关成本.
• 早期检测和纠正运动器件可以提高诊断准确度和患者满意度.