综合超分辨率4D流MRI使用集体学习扩展到整个心血管系统
Leon Ericsson1, Adam Hjalmarsson1, Muhammad Usman Akbar1
1L.E., A.H., A.F., A.S., and D.M. are with Karolinska Institutet, Solna, Sweden. M.U.A. is with Linköping University, Linköping, Sweden. E.F. and A.A.Y. are with the University of Auckland, Auckland, New Zealand. M.B., B.H, N.B, C.A.F, and D.A.N. are with the University of Michigan, Ann Arbor, USA. J.S. is with the University of California San Francisco, San Francisco, CA, USA. M.A. ans S.S. are with Northwestern University, Chicago, USA. S.S. is also with the University of Greifswald, Germany. A.A.Y. is also with King's College London, London, UK. D.M. is also with Massachusetts Institute of Technology, Cambridge, USA.
超分辨率 (SR) 网络可以提高4D流MRI质量. 与异质数据一起学习将SR泛化到心脏,大动脉和脑血管领域,以改善血液流量量化.
科学领域:
- 心血管成像 - 心血管成像
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
背景情况:
- 4D流动MRI量化血液流动的非侵入性,但受到空间分辨率和噪声的限制.
- 超分辨率 (SR) 网络可以提高4D流MRI图像质量后扫描.
- 目前的SR应用是特定领域的,限制了跨多种心血管血液动力学的概括性.
研究的目的:
- 调查SR 4D流式MRI在不同心血管领域的普遍性.
- 评估异质培训集和集体学习对一般化SR的有效性.
- 在心脏,大动脉和脑血管系统的in-silico和in-vivo数据上评估SR性能.
主要方法:
- 在心脏,大动脉和脑血管领域生成合成训练数据.
- 评估了各种卷积基和集体学习者 (包装,堆叠).
- 使用in-silico和in-vivo数据集量化性能,将低分辨率输入与高分辨率地面真相进行比较.
主要成果:
- 袋装和堆叠确保在所有评估领域显著改善SR性能.
- 集合方法从低分辨率数据中准确地预测了高分辨率的速度.
- 优化的网络成功地从低采样的体内数据中恢复了原生速度,并显示了消除噪音的潜力.
结论:
- 使用异质训练数据进行组合学习,为一般化的SR 4D流MRI提供了可行的方法.
- 这种方法扩展了SR在各种心血管应用中的实用性,包括心脏,大动脉和脑血管成像.
- 开发的方法提高了4D流动MRI中的血液流量量化和图像质量.
