相关实验视频
Updated: Jun 12, 2026
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
超快速的多参数4D-MRI图像重建用于实时应用,使用下采样不变变形注册 (D2R) 模型
Haonan Xiao1, Xinyang Han2, Shaohua Zhi2
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Hong Kong, China 999077; Department of Radiation Oncology and Physics, Shandong Cancer Hospital and Institute, Shandong First Medical University and Shandong Academy of Medical Sciences, Jinan, Shandong 250117, China.
一个新的深度学习模型,下采样-不变可变形注册 (D2R),可以从严重下采样的4D-MRI扫描中准确估计运动和图像重建. 这项技术增强了肝癌放射治疗的实时成像.
科学领域:
- 医学成像医学成像
- 医学中的人工智能.
- 放射疗法是一种放射治疗.
背景情况:
- 精确的4D-MRI运动估计对于实时成像和放射治疗期间的瘤跟踪至关重要.
- 严重减少的4D-MRI数据给传统的运动估计技术带来了挑战.
研究的目的:
- 开发一种新型的深度学习模型,用于从下采样的4D-MRI同时进行MR图像重建和运动估计.
- 用现有方法对拟议模型的性能进行评估.
主要方法:
- 开发了一个深度学习模型,即下采样-不变变形注册 (D2R).
- 该D2R模型经过训练并使用43名接受放射治疗的肝脏瘤患者的4D-MRI数据进行验证.
- 性能与 Demons,Elastix,pTV 和 VoxelMorph 算法进行了比较.
- 高质量的4D-MR图像被重建为实时成像可行性.
主要成果:
- 与所有基线方法相比,D2R模型表现出优越和强大的注册性能,即使在高下采样因子 (高达500个) 中.
- 成功重建了高质量的T1加权和T2加权4D-MR图像,并提高了图像质量和亚声素运动精度.
- 外部验证证实了该模型的稳定性和通用性.
结论:
- 开发的D2R模型有效地估计了从低采样4D-MR图像的变形,并重建了高质量的4D-MR图像.
- 这种模型有可能提高4D-MRI在肝癌治疗中的实时运动管理的临床实施.
更多相关视频
06:56Human Fetal Blood Flow Quantification with Magnetic Resonance Imaging and Motion Compensation
Published on: January 7, 2021
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
