使用多通道MRI数据进行基于深度学习的运动校正:使用快速MRI数据集中的模拟文物进行的一项研究
Miriam Hewlett1,2, Ivailo Petrov1, Patricia M Johnson3
1Robarts Research Institute, The University of Western Ontario, London, Ontario, Canada.
NMR in biomedicine
|May 29, 2024
概括
在个人MRI频道图像上进行深度学习运动校正,比传统方法显著改善了结果. 在线圈组合之前应用深度学习可以提高图像质量,从而减少重复扫描的需要.
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:
- 深度学习提供了MRI的运动校正,而无需硬件更改.
- 之前的深度学习网络分析的是线圈组合数据,而不是单个道.
- 多通道MRI数据的空间编码可能有助于运动校正.
研究的目的:
- 在核磁共振 (MRI) 中研究在线圈组合之前进行运动校正的深度学习.
- 为了比较单通道与线圈组合数据上的运动校正性能.
- 评估用于同时运动校正的多通道深度学习模型.
主要方法:
- 一个有条件的生成对抗网络在脑MRI中被训练在模拟的运动工件上.
- 在单道,道组合和多道深度学习模型之间进行了性能比较.
- 数据包括多个地点,对比度和受试者 (健康和不健康).
主要成果:
- 单通道模型显著改善了平均绝对误差的50.9% (p<0.0001).
- 这超过了道组合模型的36.3%的改进 (p<0.0001).
- 多通道模型没有显著改善图像质量.
结论:
- 在线圈组合之前对单通道MRI数据的运动校正可以提高深度学习性能.
- 这种方法可以在不同地点和患者的病情中进行概括.
- 改进的深度学习方法可以减少由于运动工件而重复的MRI扫描.
