基于变压器的深度学习,取消单次和多次延迟的3D动脉旋转标签
Qinyang Shou1, Chenyang Zhao1, Xingfeng Shao1
1Laboratory of Functional MRI Technology (LOFT), Stevens Neuro Imaging and Informatics Institute, University of Southern California, Los Angeles, California, USA.
Magnetic resonance in medicine
|October 18, 2023
概括
深度学习模型SwinIR有效地对3D动脉旋转标记 (ASL) 图像进行了否定,其性能优于CNN和其他变压器,从而改善了临床使用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 3D动脉旋转标签 (ASL) 对于非侵入性测量脑血流 (CBF) 和动脉传输时间 (ATT) 至关重要.
- 图像无色化对于提高3D ASL数据的质量和诊断准确性至关重要.
- 现有的反噪方法,包括卷积神经网络 (CNN),在有效地从复杂的ASL数据中去除噪声方面面临挑战.
研究的目的:
- 介绍SwinIR,一个基于Swin变压器的深度学习模型,用于消除3DASL数据.
- 为了比较SwinIR与基于CNN和其他基于变压器的方法对单延迟和多延迟ASL的无声化性能.
- 评估模型架构 (2D vs. 伪-3D) 和输入条件对无效的有效性和量化准确性的影响.
主要方法:
- 开发了基于SwinIR和CNN的空间无声化模型,用于单延迟3DASL.
- 在多供应商数据集上训练并测试模型,包括66个单次延迟的受试者 (119次扫描) 和6个多次延迟的受试者 (10次扫描).
- 使用相似度指标,信号与噪声比 (SNR),以及CBF和ATT的量化准确度来评估性能.
主要成果:
- 与CNN和其他变压器模型相比,SwinIR在单次和多次延迟的3DASL中表现出优异的无声化性能.
- 伪3D模型的性能优于2D模型,三个切片提供了跨供应商SNR和量化准确性之间的最佳平衡.
- 对于多延迟ASL的时空无效化模型,与仅空间方法相比,在CBF和ATT量化中减少了偏差.
结论:
- SwinIR提供了一个强大而灵活的深度学习解决方案,用于消除3D ASL数据.
- 该模型显著提高图像质量,并有可能减少扫描时间,促进3D ASL的更广泛的临床采用.
- SwinIR的性能超过了现有的CNN和基于变压器的方法,为增强的神经成像应用铺平了道路.
