减少ADC偏差在扩散MRI与基于深度学习的加速:一个幻影验证研究在3.0T
Teresa Lemainque1, Masami Yoneyama2, Chiara Morsch1
1Department of Diagnostic and Interventional Radiology, Medical Faculty, RWTH Aachen University, 52074 Aachen, Germany.
Magnetic resonance imaging
|April 17, 2024
概括
深度学习重建 (C-SENSE AI) 显著降低了加速扩散权重成像 (DWI) 的明显扩散系数 (ADC) 偏差和错误. 这种先进的技术提高了低信号噪声比 (SNR) 图像的定量准确性,这对于诊断放射学至关重要.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 加速扩散加权成像 (DWI) 在诊断放射学中是可取的,但在高b值图像中面临低信号对噪声比 (SNR) 的挑战.
- 低SNR在DWI导致定量明显扩散系数 (ADC) 值的偏差和变化,影响诊断准确性.
- 基于深度学习的重建和除提供了潜在的解决方案,以克服加速DWI中的SNR限制.
研究的目的:
- 调查SNR降低对ADC偏差和DWI变异性的影响.
- 与传统 (SENSE) 和压缩传感 (C-SENSE) 方法相比,评估基于深度学习的重建 (C-SENSE AI) 的性能.
- 评估C-SENSE AI在加速条件下减少ADC偏差和随机测量误差方面的有效性.
主要方法:
- 通过扩散幻影和数值模拟,研究了SNR降低对ADC偏差和可变性的影响.
- 进行比较的重建方法:SENSE,C-SENSE和C-SENSE AI在不同的加速度因子和翻转角度.
- 使用林的协同相关系数 (CCC) 评估ADC偏差,使用平均变化系数 (CV ̄) 评估随机测量误差 (RME).
主要成果:
- 模拟和幻影测量证实,较低的SNR (由于加速增加或翻转角度降低) 会导致ADC偏差和RME的增加.
- 与SENSE和C-SENSE相比,C-SENSE人工智能重建显示出卓越的性能,产生了明显改进的ADC地图,减少了偏差和错误.
- 在高速加速和低翻转角度下,C-SENSE AI 实现了 0.987 的 CCC 值和 0.254 的 CV ̄,显著超过了其他方法.
结论:
- 基于深度学习的C-SENSE AI重建有效地减轻了ADC偏差和随机测量错误.
- 在低SNR DWI中,C-SENSE AI为提高定量准确性提供了一个有希望的解决方案,为诊断应用提供了进一步的加速.
- 该研究强调了人工智能在提高定量扩散成像的可靠性和效率方面的潜力.
