双向映射 感知增强循环一致的生成对抗网络用于超分辨率的大脑MRI图像的超分辨率

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:

• 高分辨率 (HR) 结构磁共振成像 (MRI) 对于可视化神经退行和定量分析至关重要.
• 超分辨率 (SR) 重建可以在没有硬件升级的情况下提高图像分辨率,但现有的方法通常需要配对数据,并且缺乏定量验证.
• 目前的SR技术与定量分析作斗争,并且通常依赖于对对的图像数据集.

研究的目的:

• 提出一个半监督生成对抗网络 (GAN) 模型用于使用未配对数据进行脑MRI超分辨率.
• 评估生成的合成HR图像的定量准确性和临床相关性.
• 通过SR重建来提高低分辨率 (LR) MRI扫描的诊断能力.

主要方法:

• 开发了一种半监督的GAN,具有循环一致性,用于训练未配对数据和感知损失,以保存高频细节.
• 利用了363名受试者进行HR和LR扫描,以及217名受试者进行HR扫描,仅用于模型培训和验证.
• 提取基于voxel和基于表面的形态特征,用于合成和真实HR图像之间的定量比较.

主要成果:

• 该模型以低误差率和高相似度指标 (MAE:0.049±0.021,MSE:0.0059±0.0043,PSNR: 29.41±3.71,SSIM: 0.914±0.048) 实现了卓越的性能.
• 八个形态指标表明合成和真实HR图像之间存在显著的一致性 (P<0.0001).
• 使用合成HR图像的疾病诊断准确度在真实HR图像的5%以内,明显优于LR图像.

结论:

• 拟议的半监督GAN模型有效地从低分辨率输入中重建高分辨率脑MRI.
• 合成HR图像在定量上是准确的,适合临床应用,包括疾病诊断.
• 这项技术可实现精确的图像量化,并增强MRI在神经退行性疾病研究和临床实践中的实用性.