基于模型与基于深度学习的图像重建的比较,用于薄切片T2加权的前列腺自旋回声MRI
Stephen J Riederer1, Eric A Borisch2, Adam T Froemming2
1Department of Radiology, Mayo Clinic, Rochester, MN, 55905, USA. riederer@mayo.edu.
Abdominal radiology (New York)
|March 23, 2024
概括
深度学习 (DL) 重建在前列腺MRI中显著改善信号噪声比 (SNR),优于基于模型的代重建 (MBIR). 然而,过度的DL增强可以降低图像清晰度和对比度.
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:
- 基于模型的代重建 (MBIR) 是MRI图像重建的标准技术.
- 基于深度学习 (DL) 的方法有可能提高MRI图像质量.
研究的目的:
- 将一个新的深度学习 (DL) 重建与以前基于模型的代重建 (MBIR) 进行比较.
- 为了评估信号与噪声比 (SNR) 在高分辨率 (1毫米) T2加权旋转回声 (T2SE) 前列腺MRI中得到的改进.
主要方法:
- 量化幻影研究评估了对比度和空间分辨率.
- 在17名受试者进行前列腺MRI时以3.0特斯拉的速度进行放射性评估.
- 在薄片T2SE图像上对MBIR和三个DL重建水平 (低,中,高) 的比较.
主要成果:
- 与MBIR相比,所有DL重建水平都显示SNR有所改善.
- 在大多数评估标准中,DL低和中等水平优于MBIR.
- 低DL和中DL显示出比DL高更好的对比度,DL中DL在44/51的评估中更受青.
结论:
- 深度学习重建在薄切片T2SE前列腺MRI中显著提高SNR,同时保持对比度.
- 过度激进的DL增强 (DL高) 可能会损害放射性清晰度和对比度.
