Syn_SegNet:一个联合深度神经网络用于超高场7TMRI合成和常规3TMRI中海马子场细分

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 精确的海马子场细分对于诊断神经和精神疾病至关重要.
• 由于图像质量限制和复杂的解剖学,在3T MRI中自动化这种细分是很困难的.

研究的目的:

• 开发一种深度学习方法,Syn_SegNet,用于改善3TMRI中的海马体子场细分.
• 利用合成超高场7TMRI数据来克服标准3TMRI的局限性.

主要方法:

• 用一个具有自我注意力和专业损失的Pix2PixGAN模型来合成7T类MRI数据.
• 用于细分的3D-U-Net变体具有多层次深度监督和解剖意识损失函数.
• 该方法在细分过程中在线整合合成7T数据.

主要成果:

• 与现有方法相比,Syn_SegNet在海马子子子领域细分方面表现优异.
• 整合合成7T数据显著提高了细分精度.
• 该方法在公开的3T MRI数据集上显示了通用性.

结论:

• Syn_SegNet通过利用合成的7T数据,有效地增强了常规3TMRI中的海马体子场细分.
• 这种方法为需要精确的海马子子子场分析的临床应用提供了一个有前途的工具.
• 开发的深度学习框架解决了低对比度和低分辨率神经成像细分方面的关键挑战.