使用深度学习受约束的压缩传感加速3DMR神经图的臂

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 腕的3DMRI对于诊断神经损伤至关重要.
• 提高图像质量和减少扫描时间是手臂MRI的关键挑战.

研究的目的:

• 评估深度学习受约束压缩传感 (DLCS) 在增强3D臂MRI的有效性.
• 在图像质量和获取速度方面,将DLCS与传统的SENSE和CS技术进行比较.

主要方法:

• 分析了54个增强对比度和41个未增强的3D核磁共振扫描手臂.
• 收购包括SENSE加速度4倍 (SENSE4x),CS加速度4倍 (CS4x),以及DLCS加速度4倍 (DLCS4x) 和8倍 (DLCS8x).
• 图像质量使用明显信号与噪声比率 (aSNR),明显对比与噪声比率 (aCNR) 和定性分数进行评估.

主要成果:

• 与SENSE4x,CS4x和DLCS8x (p <0.05) 相比,DLCS4x显示出优越的aSNR和aCNR.
• DLCS4x获得了比SENSE4x和CS4x (p <0.05) 更高的腕干,分裂,绳索和分支的高质量评分.
• DLCS8x的图像质量与SENSE4x和CS4x相当,但采集时间约为一半.

结论:

• DLCS显著提高图像质量和/或加速为3D臂状交MRI的采集.
• DLCS提供了一种有前途的工具,用于加强对手臂及其复杂的神经网络的临床评估.
• 这些发现表明DLCS是腕成像临床实践的宝贵进步.