基于深度学习的结构性大脑MRI在1.5T的超分辨率:用于定量体积测量的应用

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:

• 磁共振成像 (MRI) 扫描可能耗时,可能会限制患者的吞吐量和舒适度.
• 减少MRI扫描时间对于临床效率和获得高质量的诊断图像至关重要.

研究的目的:

• 评估使用基于深度学习的超分辨率 (DL-SR) 来从低分辨率 (LR) 输入中创建高分辨率 (HR) MR图像的可行性.
• 评估DL-SR对大脑体积测量 (BVM) 准确性的影响,以获得潜在的临床应用.

主要方法:

• 在体内3D-T1W脑部MRI图像中使用对LR和HR进行3D残留密集网络 (RDN) 的训练.
• 通过对模型训练的原始1-2毫米同otropic分辨率数据进行下方采样来生成LR图像.
• 在实际的2毫米同位素分辨率3D-T1W图像上测试DL-SR模型,扫描时间为1分钟,评估图像质量和BVM.

主要成果:

• 与立方插曲相比,DL-SR显著提高了图像质量,由较低的规范化根-平均平方误差 (NRMSE) 和更高的峰值信号与噪声比率 (PSNR) 和结构相似性 (SSIM) 证明.
• 对七个皮质下大脑区域的体积测量评估显示DL-SR生成的HR图像和实际HR图像之间没有显著差异 (p>0.05,皮尔森相关性>0.90).

结论:

• 低分辨率 (LR) MRI与DL-SR的整合是减少3DMRI扫描时间的可行策略.
• 这种方法保持了足够的图像质量,并且不会对关键大脑体积测量产生不利影响,为高效的神经成像提供了一个有前途的解决方案.