使用3D前置和循环生成对抗网络改善2D电影图像质量,用于低场MRI导向辐射治疗

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 辐射瘤学 辐射瘤学

背景情况:

• 电影磁共振 (MR) 图像对于实时MR指导辐射疗法 (MRgRT) 是至关重要的.
• 低强度磁场的MRI系统通常会产生有限的图像质量,阻碍有效的处理.
• 提高电影MR图像质量对于准确的MRgRT至关重要.

研究的目的:

• 为了提高MRgRT中使用的电影MRI图像的质量.
• 为了利用先前的高质量MR图像 (规划和定位) 来进行图像增强.
• 通过增强成像来提高MRgRT中目标轮的精度.

主要方法:

• 开发了一个使用两个CycleGAN (Denoising CycleGAN和Enhancement CycleGAN) 的深度学习框架.
• 使用时间信息处理CycleGAN处理的电影图像.
• 增强 CycleGAN 使用以前的 3D MR 图像来提高空间分辨率和对比度.

主要成果:

• 在CycleGAN处理后,观察到图像质量指标 (SNR,SSIM,BRISQUE) 的显著改善.
• 增强的图像导致目标轮精度显著提高 (子,中心点,豪斯多夫距离).
• 整个处理时间低于20毫秒,证明了高计算效率.

结论:

• 深度学习框架有效地提高了MRgRT的电影MR图像质量.
• 提高图像质量和目标轮精度对实时MRgRT具有重大临床影响.
• 该方法提供了一种计算效率高的解决方案,用于提高MRgRT图像质量.