深度学习驱动的转型:一种新的方法来缓解扩散MRI中超越传统协调的批量效应
Akihiko Wada1, Toshiaki Akashi1, Akifumi Hagiwara1
1Department of Radiology, Juntendo University School of Medicine, Tokyo, Japan.
Journal of magnetic resonance imaging : JMRI
|October 25, 2023
概括
这项研究开发了一种深度学习 (DL) 模型,以减少来自不同MRI扫描仪的扩散权重图像 (DWI) 的变化. DL方法提高了图像质量,并提高了DL模型在医学成像中的通用性.
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:
- 来自不同扫描仪硬件和参数的磁共振 (MR) 图像"批量效应"会影响图像质量.
- 这些变化阻碍了医疗图像分析中使用的深度学习 (DL) 模型的通用性.
研究的目的:
- 开发用于对比度调整和超分辨率的DL模型,以标准化扩散权重图像 (DWI).
- 目标是减少由不同的磁场强度和成像参数引起的DWI的多样性.
主要方法:
- 在1134名成年受试者的数据集上训练和验证了一种DL模型,使用7台MRI扫描仪 (1.5T和3T) 的数据.
- 该模型使用对比度调整和超分辨率技术来协调DWI数据.
- 评估包括放射科医生评估,图像质量指标 (PSNR,SSIM),纹理分析和ResNet-50模型性能比较.
主要成果:
- DL协议成功地减少了DWI对比度和分辨率在不同MR设备上的差异.
- 一个ResNet-50模型的性能指标显示,在协调后,准确度,精度,回忆和F1得分显著下降,表明机器特定偏差减少.
- t-SNE可视化证实了扫描仪的功能一致性得到了改进,自动编码器将学习代减半,损伤信号可重复性的Dice系数>0.74.
结论:
- 开发的DL策略有效地减轻了扩散MR图像中的批量效应.
- 这种方法提高了MRI图像的质量和通用性,用于放射学中的DL应用.
