在基于深度学习的MR图像重建上,MR头线圈几何学的影响

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• 传统的MRI重建方法面临着几何线圈约束的局限性.
• 深度学习 (DL) 通过从数据中学习提供了一种新的图像重建方法.
• 在并行成像中,线圈重叠会降低图像质量和重建性能.

研究的目的:

• 评估基于深度学习 (DL) 的MRI重建是否可以放松与传统方法相比的几何线圈约束.
• 评估增加线圈重叠对DL和非DL重建技术的影响.
• 为了比较DL重建与合梯度SENSE (CG-SENSE) 和L1-wavelet压缩传感 (CS) 的性能.

主要方法:

• 使用了两组头线圈几何形状 (8通道和32通道).
• 开发了一个DL重建模型,并与CG-SENSE和CS进行了比较.
• 使用定量指标和视觉评估来评估不同线圈重叠下的性能.

主要成果:

• 在所有经过测试的场景中,DL模型的表现明显优于CG-SENSE和CS (p < 0.001).
• 增加的线圈重叠导致所有方法的性能下降,最显著的是CG-SENSE.
• DL重建证明了对线圈重叠和信号噪声比 (SNR) 变化的优越稳定性,性能变化最小.

结论:

• 基于深度学习 (DL) 的MRI重建比传统方法产生更高质量和更强大的图像.
• 这些发现表明,在使用DL重建技术时,可以放松几何线圈设计约束.
• 在未来的MRI系统中,DL可以实现更灵活和潜在的简化线圈阵列设计.