多对比高场质量图像合成用于便携式低场MRI,使用生成对抗网络和配对数据

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:

• 便携式低场 (64mT) MRI 扫描仪为神经成像提供了更高的可访问性,但与高场扫描仪相比,其图像质量较差.
• 提高低场MRI的质量对于更广泛的临床采用和可靠的研究结果至关重要.

研究的目的:

• 开发和评估一种深度学习架构,用于从低场MRI输入生成高场质量的脑图像.
• 评估开发模型在多发性硬化症患者的图像质量,大脑形态测量和白质病变检测方面的性能.

主要方法:

• 使用了49名多发性硬化症患者的数据集,用64mT和3T核磁共振 (T1,T2,FLAIR) 进行对对扫描.
• 一个称为LowGAN的生成对抗网络 (GAN) 架构被开发用于低到高场图像翻译.
• 合成图像被评估为视觉质量,定量指标 (规范化交叉相关性),形态测量和病变保存.

主要成果:

• 与低场输入相比,LowGAN生成了具有视觉上优异质量的合成高场图像,并且具有明显更高的正常化交叉相关性.
• 该模型在低场大脑体积测量中展示了最先进的性能,与3T扫描相比,胸膜,侧心室和皮质体积相当.
• 合成图像准确地保存了多发性硬化病变,并反映了病变体积和大脑结构之间的已知关系.

结论:

• LowGAN成功地生成了合成高场MRI图像,其质量与实际高场扫描相提并论.
• 通过深度学习来提高便携式MRI图像质量,可以提高诊断信心,并促进这种可访问技术的更广泛采用.