通过图像对图像的翻译,提高便携式低场MRI图像质量,使用配对的低场和高场图像进行图像对图像翻译
Kh Tohidul Islam1, Shenjun Zhong2,3, Parisa Zakavi2
1Monash Biomedical Imaging, Monash University, Melbourne, VIC, Australia. KhTohidul.Islam@monash.edu.
Scientific reports
|December 1, 2023
概括
一个新的深度学习模型,LoHiResGAN,提高低场MRI扫描到合成高场质量. 这提高了图像质量和大脑形态测量测量,使MRI更容易获得.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 低场便携式MRI扫描仪在高场系统上提供了可访问性和可持续性优势.
- 然而,低场MRI的图像质量降低,信号噪声比较低,空间分辨率有限.
- 提高低场MRI质量对于更广泛的临床应用至关重要.
研究的目的:
- 开发和评估一个深度学习模型 (LoHiResGAN) 来增强低场 (64mT) MRI 扫描.
- 从低场数据生成合成高场 (3T) MRI 扫描.
- 将LoHiResGAN的性能与其他最先进的深度学习模型进行比较.
主要方法:
- 利用来自64mT和3T扫描仪的T1和T2权重的MRI序列的配对数据集.
- 开发了一个名为LoHiResGAN的图像对图像翻译深度学习模型.
- 使用各种图像质量指标和脑形态分析,将LoHiResGAN与GAN,CycleGAN,U-Net和cGAN进行比较.
主要成果:
- 与其他模型相比,LoHiResGAN在图像质量指标 (NRMSE,SSIM,PSNR,PBIQ) 中表现优越.
- 由LoHiResGAN生成的合成3T图像显示,图像质量比原始低场MRI显著提高.
- 来自合成3T图像的大脑形态测量结果与原始的3T图像相比,更符合低场MRI的结果.
结论:
- 该LoHiResGAN模型有效地提高低场MRI质量,并产生高质量的合成高场图像.
- 这种深度学习方法为改善MRI可访问性和数据一致性提供了一个有希望的解决方案.
- 对于诊断应用,需要进一步研究各种数据集和临床验证.
