高分辨率3DMRI与深度生成网络通过新型切片形状转换超分辨率超分辨率
Jiahao Lin1,2, Q I Miao1,3, Chuthaporn Surawech1,4,5
1Department of Radiological Sciences, University of California at Los Angeles, Los Angeles, CA 90095, USA.
IEEE access : practical innovations, open solutions
|September 15, 2023
概括
一个新的深度学习框架,切片形状转换超分辨率 (SPTSR),增强通过平面分辨率在2DMRI扫描. 这种方法提高了图像质量,减少了文物,为腹部成像提供了更好的诊断潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 高分辨率的3DMRI是理想的,但受到长时间扫描和模糊的限制.
- 多切片二维MRI在平面内提供高分辨率,但在平面内有较差的分辨率和文物.
- 目前的方法需要多次扫描,增加整体MRI采集时间.
研究的目的:
- 通过使用深度生成学习,引入一种新的切片形状转换超分辨率 (SPTSR) 框架.
- 为了实现通过平面超分辨率 (SR) 实现多切片二维TSE成像.
- 提高图像质量,并使MRI中的同位素分辨率成为可能.
主要方法:
- 开发了一个SPTSR框架,通过切片型下采样 (SP-DS) 训练深度生成网络.
- 应用训练网络切片形状卷曲 (SP-conv) 测试输入为5.5倍通过平面的SR.
- 使用切片形状解卷 (SP-deconv) 来实现同位素超分辨率.
主要成果:
- 在50个测试案例中,SPTSR与SMORE SR方法和常规下方采样相比,显示出更高的图像质量.
- 专家腹部放射科医生验证了改善的图像质量.
- 定量分析和3D模拟证实了SPTSR和SP-deconv步骤的有效性.
结论:
- 拟议的SPTSR框架有效地实现了多切片2DTSEMRI的透平面超分辨率.
- SPTSR显著提高图像质量,减少文物,优于现有方法.
- 这种深度学习方法为改善MRI诊断能力提供了一个有希望的解决方案.
