通过基于压缩传感的深度学习重建来提高对比度增强的3D-T1加权序列的图像质量,用于评估头部和部

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 传统的压缩传感 (CS) 方法用于MRI图像重建.
• 脂肪抑制,对比度增强,3D T1加权成像 (Fs-CE 3D T1WI) 对于头部和部成像至关重要.
• 传统的CS方法在图像质量和工件减少方面存在局限性.

研究的目的:

• 评估基于深度学习 (DL) 的图像重建与CS denoising相结合的有效性.
• 将DL辅助的CS重建与用于头部和部的传统CS重建进行比较 Fs-CE 3D T1WI.

主要方法:

• 追溯分析39个头部和部的FS-CE 3D T1WI扫描.
• 定性评估:图像质量,解剖学可视化,文物,病变明显性和边缘度 (5 分级).
• 定量评估:损伤SNR,部后部肌肉SNR和损伤到肌肉CNR.

主要成果:

• 基于DL的重建在所有评估参数 (p < 0.001) 上取得了显著更高的定性得分.
• 定量分析显示,随着DL重建,病变和肌肉的SNR显著改善 (p < 0.001).
• 在基于DL的重建中也观察到显著更高的CNR (p < 0.001).

结论:

• 将深度学习集成到CS无声化周期中,与传统CS相比,提供更优质的图像质量.
• 这种基于DL的方法对于评估头部和部病理非常有益.
• 提高图像质量有助于更准确的诊断和患者管理.