通过使用深度CNN转换器模型在小鼠中使用加速辐射k空间扩散权重MRI学习ADC地图
Yuemeng Li1,2, Miguel Romanello Joaquim2, Stephen Pickup2
1Center for Biomedical Image Computing and Analytics (CBICA), Perelman School of Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA.
Magnetic resonance in medicine
|August 20, 2023
概括
这项研究引入了使用CNN和变压器的深度学习方法,从加速扩散加权成像 (DWI) 数据中创建高质量的ADC地图. 这种技术可以提高ADC地图的准确性,以便在研究和临床环境中更快地进行成像.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 扩散式核磁共振成像 (MRI)
背景情况:
- 扩散权重旋回回声 (DW-SE) 成像对于生成ADC地图至关重要.
- 需要加快采集方法来缩短扫描时间.
- 辐射采样DW-SE (Rad-DW-SE) 提供了加速的潜力.
研究的目的:
- 为了加速Rad-DW-SE获取方法,以获得高质量的ADC地图生成.
- 开发和验证用于加速ADC映射的深度学习方法.
主要方法:
- 开发了一个集结卷积神经网络 (CNN) 和视觉转换器的深度学习模型.
- 该模型从加速的DWI数据生成ADC地图,通过单指数ADC模型拟合项规范.
- 训练和评估分别对147只和36只小鼠的DWI数据进行,使用4x和8x加速度因子.
主要成果:
- 与替代方法相比,拟议的深度学习模型产生了更高质量的ADC地图.
- 对整体图像和特定感兴趣区域 (瘤,脏,肌肉) 的性能进行了评估.
- 废弃性研究证实了该模型在从加速数据中生成准确的ADC地图方面的有效性.
结论:
- 深度学习方法有效地从加速的Rad-DW-SE DWI数据计算出准确的ADC地图.
- 整合CNN和变压器可以提高ADC地图的质量和准确性.
- 这种方法促进了更快,更精确的扩散MRI分析.
