可通用的合成MRI与基于物理的卷积网络
Luuk Jacobs1,2, Stefano Mandija1,2, Hongyan Liu1,2
1Department of Radiotherapy, UMC Utrecht, Utrecht, The Netherlands.
Medical physics
|December 8, 2023
概括
一种新的基于物理的深度学习方法,可以从单个5分钟的扫描中合成多个大脑MRI对比. 这种方法加快了神经成像,并将其推广到未见的对比度,与标准MRI质量相匹配.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 磁共振成像 (MRI) 提供高质量的神经成像,但需要多次对比度获取.
- 合成MRI旨在通过单次采集生成各种对比度来减少扫描时间.
研究的目的:
- 开发一种基于物理的深度学习方法,用于合成多个大脑MRI对比度.
- 为了实现这一目标,只需一次,加快5分钟的MRI采集.
- 评估该方法对任意MRI对比的概括性.
主要方法:
- 在55名受试者的数据上训练了一种生成对抗网络 (GAN) 模型.
- 该模型从5分钟的瞬态状态序列中生成了定量参数图 (q*-maps).
- 合成对比 (PD,T1,T2,T2-FLAIR) 与端到端的深度学习方法和基础真理进行了比较.
主要成果:
- 基于物理学的方法实现了与标准MRI对比度相比的质量.
- 结构相似性和峰值信号噪声比率很高,保留了病变细节.
- 该方法证明了通用性,合成了未见的对比度与相似的信号对比度和CNR.
结论:
- 基于物理的深度学习使得高质量的合成MRI对比度产生成为可能.
- 该方法成功地将训练数据集之外的对比性概括为对比性.
- 这项技术具有加速神经成像协议的巨大潜力.
