无监督的MRI运动工件解:引入MAUDGAN

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 运动器件在磁共振成像 (MRI) 中是一个重大挑战,可能会损害诊断准确性,特别是在脑瘤患者中.
• 现有的人工物减少方法通常需要监督或未能在多参数MRI序列中充分保存关键图像细节.

研究的目的:

• 开发和验证一个无监督的深度学习框架,以减少脑瘤患者的对比增强的T1加权 (ceT1W) 和T2-FLAIRMRI图像中的运动工件.
• 在定量指标和定性评估方面,将拟议的方法与Pix2pix和CycleGAN等既有技术进行比较.

主要方法:

• 设计了一个新的框架,包括两个发电机,两个区分器和两个特征提取器网络.
• 该模型使用3倍交叉验证对230个脑瘤MRI数据集进行训练,并对148个体内患者数据集进行测试.
• 绩效使用NMSE,SSIM,PSNR,VIF和MS-GMSD等指标进行评估,并通过专家评估人员进行定性评估.

主要成果:

• 与Pix2pix和CycleGAN相比,提出的无监督方法在减少重动作文物方面表现出卓越的性能,实现了最低的NMSE和MS-GMSD.
• 生成的图像表现出高质量的增强,具有最高的SSIM,PSNR和VIF值,表明有效的文物删除和图像完整性的保护.
• 定性评估证实了该方法的有效性,与其他模型相比,在物件减少和图像质量方面,利克尔特等级得分明显更高.

结论:

• 开发的无监督方法有效地减少了瘤患者多参数脑MRI扫描中的运动器件.
• 这种方法为改善受患者运动影响的MRI扫描的诊断质量提供了有希望的解决方案,特别是在具有挑战性的临床场景中.
• 该框架能够处理各种文物级别,其一致的性能凸显了其潜在的临床实用性.