快速2DNaMRI的小牛使用一个denoising卷积神经网络
Rebecca R Baker1, Vivek Muthurangu2, Marilena Rega3
1UCL Centre for Medical Imaging, University College London, London, UK; UCL Centre for Translational Cardiovascular Imaging, University College London, London, UK.
Magnetic resonance imaging
|April 20, 2024
概括
我们使用1HMRI数据开发了一个无线化的卷积神经网络 (CNN),以改进23NaMRI扫描. 这种方法显著减少了扫描时间,同时保持了图像质量和度精度.
科学领域:
- 医疗成像医学成像
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- -23磁共振成像 (23Na MRI) 量化了体内组织内度 (TSC).
- 低23Na信号需要很长的扫描时间,导致噪音或低分辨率图像.
- 像压缩传感 (CS) 这样的现有重建算法可以产生不自然的图像,并且具有很长的处理时间.
研究的目的:
- 开发一种使用机器学习对23NaMRI进行denoising的方法.
- 为了利用1HMRI数据来训练一个无声化的卷积神经网络 (CNN).
- 为了评估受过训练的CNN在潜在的23Na小牛图像上的表现.
主要方法:
- 从快速MRI数据集中使用1893个1H膝盖MRI切片来训练拒绝CNN.
- 通过将高斯噪声添加到k空间数据中,生成合成低SNR 1H图像.
- 将训练有素的CNN应用于回顾性重建的23Na小牛图像 (50,40,30平均值) 并与NUFFT和CS方法进行比较.
主要成果:
- 通过CNN的23Na图像显示了与CS图像相当的TSC量化,偏差最小 (<0.9mM).
- 与NUFFT,CS和参考图像相比,CNN-denoised图像实现了显著更高的信号噪声比 (SNR).
- 主观图像质量排名将CNN-denoised图像等同于参考图像,优于NUFFT和CS.
结论:
- 在1H数据上训练的Denoising CNN对23Na的小腿MRI有效.
- 这种方法可以将扫描时间从10分钟缩短到2分钟.
- 该方法保留了图像质量和明显的TSC量化准确性.
