使用数据驱动框架进行高分辨率MRI合成,采用无声扩散概率建模
Chih-Wei Chang1, Junbo Peng1, Mojtaba Safari1
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, GA 30308, United States of America.
Physics in medicine and biology
|January 19, 2024
概括
本研究引入了一个深度学习框架,使用无声扩散概率模型 (DDPM) 来从低分辨率图像中生成高分辨率MRI扫描,提高图像质量而不增加扫描时间.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 深度学习用于图像重建.
背景情况:
- 高分辨率磁共振成像 (MRI) 对于精确的病变诊断和划分至关重要.
- 目前梯度功率和硬件的限制限制限制了MRI分辨率 (小于1毫米的切片).
- 长时间的MRI扫描时间在临床上是不可接受的,阻碍了获得高分辨率图像.
研究的目的:
- 开发一个框架,使用扩散概率深度学习从低分辨率图像生成高分辨率MRI.
- 提高MRI超分辨率的无噪点扩散概率模型 (DDPM) 的不确定性和质量.
- 克服传统方法在捕获复杂,高维度图像数据方面的局限性.
主要方法:
- 开发了一种扩散概率深度学习框架,利用无声扩散概率模型 (DDPM).
- 前进的过程包括系统地将高斯噪声添加到低分辨率的MRI图像中.
- 反向过程训练了一种U-Net模型来消除图像和生成高分辨率输出,条件是低分辨率对应物,测试前列腺和大脑MRI数据集 (BraTS2020).
主要成果:
- 拟议的DDPM框架提高了前列腺MRI的噪音质量12.8%,超过了Bicubic (4.4%) 和CGAN (5.7%).
- 使用DDPM的信号噪声比率提高了11.7%,超过了Bicubic (9.8%) 和CGAN (8.1%).
- 对于BraTS2020数据,DDPM实现了9.1%的峰值信号噪声比增强,具有很高的多尺度结构相似性 (0.970 ± 0.019).
结论:
- 开发的基于深度学习的扩散概率框架有效地提高了MRI分辨率.
- 这种方法可以在不延长扫描时间的情况下获取高分辨率的MRI图像,从而有可能改善临床工作流程.
- 未来的研究将专注于前性验证该框架在各种临床适应症中的有效性.
