自主监督的解剖连续性增强网络用于从3T SWI合成7T SWI

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:

• 从3T SWI合成7T敏感度加权成像 (SWI),通过将高灵敏度与广泛可用性相结合,提供临床优势.
• 现有的7T MRI合成方法经常忽视SWI,这带来了独特的挑战,如有限的数据和3T切片中的组织隐形性.

研究的目的:

• 开发一个自主监督网络 (SACE) 来从3T SWI合成高质量的7T SWI,解决数据限制和组织可见性问题.
• 为了利用丰富的3T SWI数据和有限的配对3T-7T数据来改进7T SWI合成.

主要方法:

• 提出了一个自主监督的解剖连续性增强 (SACE) 网络,利用两个借口任务从3T SWI合成7T SWI.
• 借口任务1:强调输入特定的形态,以保持基本特征并防止模糊.
• 借口任务2:通过对准相邻切片和预测差异场,改进无形组织的合成. 下游任务结合了临床知识和大脑亚结构图.

主要成果:

• 在97个案例 (5495个片) 的数据集上,SACE网络实现了23.05dB的峰值信号噪声比 (PSNR) 和0.688的结构相似度指数 (SSIM).
• 当适应7T SWI合成时,超过现有的一般7T MRI合成技术.
• 临床评估证实了合成7T SWI作为临床工具的有效性和潜力.

结论:

• 赛斯网络有效地从3T SWI中合成了具有临床价值的7T SWI,克服了现有方法的局限性.
• 这种方法具有显著的潜力,可以通过提高高质量的7T SWI的可访问性来提高神经系统疾病的诊断.
• 自主监督策略有效地利用现有数据进行可靠和临床相关的图像合成.