在低样本MRI中基于AI的运动工件严重性估计,允许选择合适的重建模型
Laurens Beljaards1, Nicola Pezzotti2,3, Chinmay Rao1
1Department of Radiology, Leiden University Medical Center, Leiden, The Netherlands.
Medical physics
|January 3, 2024
概括
这项研究引入了一种深度学习方法,用于在加速磁共振成像 (MRI) 中检测和量化运动工件. 人工智能模型准确识别运动,提高了基于人工智能的MRI重建的质量和安全性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 磁共振成像 (MRI) 采集时间很长,增加了对患者运动的敏感性.
- 即使是微小的运动 (1mm) 也可能导致严重的人工物,可能需要重复扫描.
- 加快的MRI技术使用部分k空间采集和高级重建,但AI方法通常不假定运动.
研究的目的:
- 开发一种方法来追溯检测和量化低样本MRI数据中的运动工件.
- 增强基于人工智能的MRI重建安全性,并为重建优化提供数据.
- 为了实现对潜在的重新获取提示的实时文物检测.
主要方法:
- 使用卷积神经网络 (CNN) 开发了一种深度学习方法,用于检测和量化低样本大脑MRI中的运动.
- 美国有线电视新闻网 (CNN) 使用合成运动损坏数据进行了训练,以证明对现实世界数据的概括性.
- 运动工件估计器被集成为选择器,用于运动强大或数据一致的重建模型.
主要成果:
- 该模型在区分运动和无运动扫描时达到91-96%的准确性.
- 它正确地预测了手工质量标签 (好,中,坏) 的准确度为76-85%.
- 作为选择器,该模型93%的时间选择了合适的重建网络,产生了接近最佳的SSIM值.
结论:
- 开发的方法准确地量化了低样本MRI中的运动工件严重程度.
- 实现实时运动文物检测,这对于提高基于AI的MRI重建安全性和质量至关重要.
