使用分布式记忆效率高的物理指导深度学习和有限的训练数据进行大规模的3D非卡特西安冠状动脉MRI重建
Chi Zhang1,2, Davide Piccini3,4, Omer Burak Demirel1,2
1Electrical and Computer Engineering, University of Minnesota, 200 Union Street S.E., Minneapolis, MN, 55455, USA.
Magma (New York, N.Y.)
|May 14, 2024
概括
物理引导的深度学习 (PG-DL) 能够实现高质量的3D非卡特西斯冠状动脉MRI重建. 一种新的2.5D方法可以提高船只的清晰度和图像质量,即使训练数据有限.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 心血管磁力共振成像 (MRI) 的方法
背景情况:
- 物理引导深度学习 (PG-DL) 是一种强大的图像重建技术.
- 它对大规模的3D非卡特西安核磁共振扫描的应用受到硬件限制和稀缺的训练数据的限制.
研究的目的:
- 为了实现高质量的PG-DL重建,用于大规模的3D非卡特西亚冠状动脉MRI.
- 为了克服硬件限制和有限的培训数据可用性.
主要方法:
- 结合深度学习和MRI重建的进步.
- 建议使用2D卷积神经网络进行2.5D重建,将3D卷作为2D图像的批量处理.
- 将3D和2.5DPG-DL网络与高分辨率3D冠状动脉MRI的传统方法进行比较.
主要成果:
- 在数量和质量上,PG-DL重建 (3D和2.5D) 优于传统方法.
- 与3D处理相比,2.5D变体显示出更高的容器度和质量图像质量.
结论:
- 在不影响图像大小或网络复杂性的情况下,实现了高质量的PG-DL重建,用于大规模的3D非卡特西亚核磁共振.
- 采用2.5D方法,即使训练数据有限,也可以实现高质量的重建.
