基于深度学习的CEST MR数据的否定:在医学成像中应用合成幻影的可行性研究

科学领域:

• 生物医学成像技术 生物医学成像技术
• 磁共振成像是一种磁共振成像技术.
• 定量分析 定量分析

背景情况:

• 化学交换和转移 (CEST) MRI提供了一种用于组织生物分子分析的非对比方法.
• 高信号噪声比 (SNR) 对于检测微妙的CEST效应至关重要.
• 传统的分析指标 (例如,MTR_asym) 对噪声敏感,限制了定量准确性.

研究的目的:

• 评估神经网络 (NN) 的有效性,特别是自动编码器,用于删除合成CESTMRI图像.
• 为了比较NN性能与传统的除算法.

主要方法:

• 利用Bloch-McConnell方程进行合成CEST图像生成.
• 开发和训练自动编码器NN,包括ResUNet架构.
• 与使用不同噪声水平的传统方法 (PCA,NLM,BM3D) 进行NN无声化性能比较.

主要成果:

• 与不同噪声水平的分析方法相比,NN,特别是ResUNet,表现出优异的噪声识别和降低.
• 国家无线网络显著改善了峰值信号噪声比 (PSNR) 值,达到35.0.
• 传统方法显示出局限性,特别是在低噪声降低场景和高噪声强度的情况下.

结论:

• 神经网络显示出强大的潜力,作为CESTMRI的强大无线化工具.
• 需要进行进一步的研究,以应对在临床转化中应用NN对具有不同噪声配置的体内数据的挑战.