使用深度学习纠正合成MRI对比加权图像
Sidharth Kumar1, Hamidreza Saber2, Odelin Charron3
1Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin 78712, TX, USA.
Magnetic resonance imaging
|December 13, 2023
概括
合成磁共振成像 (MRI) 可以快速创建新的对比度,但可能会偏离真实扫描. 一种新的深度学习方法纠正这些合成图像,显著改善对比度和信号噪声比 (SNR) 以提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 量化MRI是指数量化的MRI.
背景情况:
- 合成MRI能够从定量参数图表快速生成各种图像对比度.
- 目前的合成MRI方法通常会由于未建模的物理效应而与实验扫描呈现对比偏差.
- 这些未建模的效应,包括扩散和易感性,限制了合成图像的准确性.
研究的目的:
- 开发和验证一种新的深度学习方法来纠正合成MRI对比度.
- 通过考虑未建模的物理效应来提高合成MRI的真实性.
- 通过减少与实验扫描的对比差异不匹配来增强合成MRI的临床效用.
主要方法:
- 提出了一个基于物理的深度学习模型来生成一个乘法校正项.
- 这个校正术语涉及影响合成图像对比度的未建模的物理效应.
- 该方法在合成反转恢复快速旋转回声序列时得到验证,使用2D多对比MRI采集.
主要成果:
- 与传统的合成MRI相比,拟议的深度学习校正在视觉和数值上减少了对比差异的不匹配.
- 该方法在合成任意倒置回收快速旋转回声对比度方面表现出更好的准确性.
- 一项初步的读者研究表明,与标准合成MRI相比,对比度和信号噪声比率 (SNR) 在统计上有显著的改善.
结论:
- 这种新的深度学习方法有效地纠正了合成MRI中未经建模的物理效应.
- 这种方法提高了回顾合成的MRI对比度的准确性和诊断质量.
- 这些发现表明,合成MRI在临床成像中的实际应用取得了重大进展.


