基于合成的成像差异化表示学习,用于多序列3D/4DMRI
Luyi Han1, Tao Tan2, Tianyu Zhang3
1Department of Radiology and Nuclear Medicine, Radboud University Medical Centre, Geert Grooteplein 10, 6525 GA, Nijmegen, The Netherlands; Department of Radiology, The Netherlands Cancer Institute, Plesmanlaan 121, 1066 CX, Amsterdam, The Netherlands.
Medical image analysis
|December 3, 2023
概括
本研究引入了一种用于磁共振成像 (MRI) 的新型序列对序列 (Seq2Seq) 框架,通过识别每个序列中的独特信息来学习高效的表示. 这种方法使得使用最高级别的序列进行诊断具有不低劣的性能.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 无线电学 (Radiomics) 是一种放射学.
背景情况:
- 多序MRI提供了互补的诊断信息,但含有冗余数据,阻碍了有效的表示学习.
- 现有的方法很难从单个MRI序列中提取独特的信息,以改善临床任务.
研究的目的:
- 开发一个序列对序列 (Seq2Seq) 生成框架,用于MRI中的成像差异化表示学习.
- 为了实现任意的3D/4DMRI序列生成,并对每个序列的重要性进行排序.
- 为了提高临床效用,在MRI序列中识别独特的信息区域.
主要方法:
- 提出了一个Seq2Seq框架,能够生成任意的3D/4DMRI序列.
- 开发了一种新的度量来根据生成难度对序列的重要性进行排名.
- 使用模型的生成无法提取每个序列的独特信息区域.
- 在模拟,脑部MRI和乳腺MRI数据集上得到验证.
主要成果:
- 顶级的MRI序列可以取代具有可比诊断性能的完整套.
- 将MRI与拟议的成像差异化地图集成,可以改善临床预测任务.
- 在质母细胞瘤和乳腺癌状况预测方面表现有所提高.
结论:
- Seq2Seq框架有效地从多序MRI中学习成像差异化表示.
- 这种方法优化了MRI数据的利用,可能减少扫描时间并提高诊断准确性.
- 该方法显示了在放射学中推进人工智能驱动的临床决策支持的前景.


