MLMFNet:一个多层次的模态融合网络,用于多模态加速MRI重建.
Xiuyun Zhou1, Zhenxi Zhang1, Hongwei Du1
1Biomedical Engineering Center, University of Science and Technology of China, Hefei, Anhui 230026, China.
Magnetic resonance imaging
|April 25, 2024
概括
本研究介绍了MLMFNet,这是一种用于更快地进行磁共振成像 (MRI) 重建的深度学习模型. 它有效地使用多模态MRI数据来提高图像质量并减少临床诊断中的运动工件.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 磁共振成像 (MRI) 为临床诊断提供了详细的解剖和生理数据.
- 由于MRI的采集时间很长,因此会产生运动器件,可能导致诊断错误.
- 当前的深度学习方法往往重建单模MRI,忽视其他模式的有价值信息.
研究的目的:
- 开发一种高效的MRI多模重建方法.
- 利用跨模式信息,提高图像重建质量.
- 解决基于深度学习的MRI中单模重建的局限性.
主要方法:
- 提出了MLMFNet,这是一个端到端的神经网络,用于多模态MRI重建.
- 使用基于UNet的编码器,采用单流策略,将辅助和目标模式合并.
- 包含一个可访问多级编码器功能的解码器和一个通道注意模块.
主要成果:
- 在MRI重建中使用大脑和膝盖数据集的多模式数据证明了令人满意的结果.
- 与单模方法相比,实现了更好的图像质量和文物减少.
- 在多模式环境中验证了拟议的MLMFNet的有效性.
结论:
- MLMFNet有效地探索跨模态信息,以增强MRI重建.
- 该方法显示出在改善临床实践中诊断准确性的巨大潜力.
- 多模式数据融合是克服MRI采集局限性的有希望的策略.
