联合[公式:参见文本]和图像重建在低场MRI通过物理信息深度学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物物理学的生物物理.

背景情况:

• 低场磁共振成像 (MRI) 在资源有限的环境和重症监护中提供了可访问的成像.
• 图像扭曲和噪音是低场MRI的重大挑战,限制了诊断准确度.
• 现有的重建方法很难在低场环境中充分处理这些文物.

研究的目的:

• 开发和验证基于模型的图像重建方法,使用未卷起的神经网络进行低场MRI.
• 为了纠正图像扭曲和噪声,特别是解决B0场不均性.
• 为了在具有挑战性的低场MRI场景中实现快速准确的图像重建.

主要方法:

• 开发了一种新的基于物理的神经网络架构,SH-Net,它结合了球形系数估计,以实现平滑的B0场地图估计.
• SH-Net被集成到一个端到端可训练模型中,用于对B0现场图和MR图像的联合估计.
• 实验是在追溯模拟的低场膝盖MRI数据上进行的.

主要成果:

• 拟议的基于物理学的神经网络方法与纯粹基于模型的方法相比,显示出更高的性能.
• 峰值信号与噪声比率 (PSNR) 的改善达到了11.7%.
• 根平均平方误差 (RMSE) 降低了高达86.3%,表明增强了图像和现场地图重建的准确性.

结论:

• 端到端训练,基于模型的方法有效地重建图像和B0场地图在低场MRI模式.
• 这种方法显著优于现有的低场MRI技术.
• 开发的方法促进了准确的低场成像,在各种条件下使用B0不均性补偿.