[深度学习方法用于磁共振成像流体减弱反转恢复图像合成]
Jianing Zhou1, Hongyu Guo1,2, Hong Chen1
1School of Electrical Engineering, Shenyang University of Technology, Shenyang 110870, P. R. China.
概括
这项研究引入了一个深度学习网络,用于合成高质量的磁共振成像 (MRI) 流体减弱反转恢复 (FLAIR) 图像. 这种方法可以减少患者扫描时间,并解决缺少或质量差的FLAIR扫描的问题.
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:
- 磁共振成像 (MRI) 为临床诊断提供了关键的多模式图像.
- 由于患者的合作或扫描限制,图像质量或获取完整性可能会受到损害.
- 图像合成提供了一个解决方案,以弥补医学成像数据的缺陷.
研究的目的:
- 开发一种基于深度学习的方法来合成高质量的MRI液体减弱反转恢复 (FLAIR) 图像.
- 解决缺少FLAIR图像或图像质量不足的临床挑战.
- 为了减少患者的整体MRI扫描时间.
主要方法:
- 设计了一个多模融合深度学习网络,使用单独的特征编码器对单模图像进行编码.
- 一个功能融合模块集成了来自不同MRI模式的功能.
- 为了增强图像相似性,在空间和K空间领域使用了一个动态加权的组合损失函数.
主要成果:
- 拟议的多模融合网络有效地合成了高质量的MRI FLAIR图像.
- 实验验证和定量比较证实了该网络的有效性.
- 该方法证明了提高诊断图像可用性和质量的潜力.
结论:
- 开发的深度学习方法成功合成了高质量的MRI FLAIR图像.
- 这种技术可以显著减少患者的MRI扫描持续时间.
- 该方法为缺乏或不符合标准的FLAIR图像的临床场景提供了可行的解决方案.
