基于深度学习的超高分辨率重建的可行性研究,使用大脑扩散加权图像中的k空间数据进行重建
Kensei Matsuo1, Takeshi Nakaura2, Kosuke Morita1
1Department of Central Radiology, Kumamoto University Hospital, Honjo 1-1-1, Kumamoto, 860-8556, Japan.
Neuroradiology
|September 6, 2023
概括
基于超分辨率深度学习的重建 (SR-DLR) 通过提高信号与噪音和对比与噪音的比率来提高脑MRI扩散加权图像质量. 然而,这种先进的技术并没有显著改变明显扩散系数的量化.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经成像是一种神经成像.
背景情况:
- 扩散加权成像 (DWI) 对于脑MRI至关重要,为组织微观结构提供了洞察力.
- 图像质量和明显扩散系数 (ADC) 的准确量化对于可靠的诊断解释至关重要.
- 基于超分辨率深度学习的重建 (SR-DLR) 是一种新兴的技术,它处理k空间数据,以潜在地提高图像分辨率和质量.
研究的目的:
- 评估SR-DLR对大脑DWI图像质量的影响.
- 评估SR-DLR对大脑DWI中ADC量化的影响.
- 为了确定SR-DLR是否能改善脑MRI中的信号与噪声比 (SNR) 和对比与噪声比 (CNR).
主要方法:
- 追溯分析34名接受3T脑MRI和DWI的患者.
- 用SR-DLR和没有SR-DLR重建的DWI图像的比较 (684x684与228x228矩阵).
- 对SNR,CNR和半最大全宽度 (FWHM) 的定量评估,以及放射科医生的定性评估.
主要成果:
- 使用SR-DLR重建的图像显示SNR和CNR明显高于没有SR-DLR的图像 (p < 0.001).
- 在两种重建方法之间,没有观察到白质 (p=0.945) 和灰质 (p=0.235) 的ADC值的统计学上显著差异.
- 在没有SR-DLR重建的图像中,半最大全宽度 (FWHM) 显着较低 (p < 0.001).
结论:
- 通过改善SNR和CNR,SR-DLR有效地提高了大脑DWIMRI中的图像质量.
- SR-DLR不会显著影响ADC量化的准确性,保持其诊断价值.
- 这种基于深度学习的重建技术有望提高对脑MRI的诊断信心.


