高分辨率的3T到7T ADC地图合成与混合CNN变压器模型模型
Zach Eidex1,2, Jing Wang1, Mojtaba Safari1
1Department of Radiation Oncology, Emory University, Atlanta, Georgia, USA.
Medical physics
|April 17, 2024
概括
合成高分辨率的7特斯拉 (7T) 显微扩散系数 (ADC) 地图从3特斯拉 (3T) 核磁共振,使用新的CNN变压器模型. 这种方法通过提高7TMRI应用的图像质量和空间分辨率来增强诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经科学是一个神经科学.
背景情况:
- 与3张特斯拉 (3T) ADC地图相比,7张特斯拉 (7T) 表面扩散系数 (ADC) 地图提供更优质的图像质量和空间分辨率.
- 7T MRI的临床采用受到其不可用性,高成本和对文物敏感性的限制.
研究的目的:
- 开发一种混合卷积神经网络 (CNN) 变压器模型,用于从多式3TMRI数据中合成高分辨率的7T ADC地图.
- 通过更容易获得的3T扫描来创建高质量的合成图像,克服7TMRI的局限性.
主要方法:
- 使用Vision CNN-Transformer (VCT) 模型,集成Vision Transformer (ViT) 块和卷积层,生成合成的7T ADC地图.
- 该模型使用3T ADC地图和3T T1加权 (T1w) MRI作为输入,利用ViT用于全球上下文和CNN用于细节.
- 对人类连接组项目年轻成年人数据集进行了验证,使用峰值信号对噪声比 (PSNR),结构相似度指数 (SSIM) 和平均平方误差 (MSE) 评估性能.
主要成果:
- 在VCT模型中,PSNR达到27.0 ± 0.9dB,SSIM达到0.945 ± 0.010,MSE达到2.0E-3 ± 0.4E-3.
- 定性和定量分析证实,VCT的性能优于最先进的方法.
- 与ResViT相比,提高了效率,包括闪光注意力和优化训练分辨率,减少了50%的模型参数和训练时间.
结论:
- 从3TMRI数据成功开发了一种用于预测高分辨率7T ADC地图的新方法.
- 与3T MRI和其他预测方法相比,合成7T MRI图像显示出更高的空间分辨率和对比度.
- 这些高质量的合成图像有可能改善疾病诊断,干预计划,并作为放射治疗中合成CT生成的前体.
