评估基于机器学习的MRI重建使用数字图像质量幻影
Fei Tan1, Jana G Delfino1, Rongping Zeng1
1Division of Imaging, Diagnostics and Software Reliability (DIDSR), Office of Science and Engineering Laboratories (OSEL), Center for Devices and Radiological Health (CDRH), U.S. Food and Drug Administration (U.S. FDA), Silver Spring, MD 20993, USA.
Bioengineering (Basel, Switzerland)
|June 27, 2024
概括
新的数字幻象和自动化方法改善了用于磁共振成像 (MRI) 重建的机器学习 (ML) 的评估. 这种方法捕捉了超越传统指标的临床相关图像质量,指导了未来的ML开发.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 图像重建 图像的重建
背景情况:
- 定量评估对于基于机器学习 (ML) 的磁共振成像 (MRI) 重建至关重要.
- 像MSE,SSIM和PSNR这样的现有指标不充分评估临床图像质量.
研究的目的:
- 开发和验证一个新的管道来评估基于ML的MRI重建,使用数字图像质量的幻影.
- 建立用于评估关键临床图像质量参数的自动化方法.
主要方法:
- 创建了模拟ACR大型物理幻影的数字k空间幻影,具有可变参数 (大小,SNR,分辨率,对比度).
- 开发了一个评估管道,包括几何精度,均性,幽灵,清晰度,SNR,分辨率和低对比度检测能力的指标.
- 在不同训练场景中使用拟议的管道评估了ML重建模型.
主要成果:
- 拟议的数字幻影和自动化评估管道有效评估基于ML的MRI重建.
- 训练数据具有较低的底样因素和更大的线圈覆盖率,从而改善了模型性能.
- 确定了影响ML重建质量的关键因素.
结论:
- 开发的全面和标准化管道增强了对ML重建性能的理解.
- 这种方法可以指导未来开发和推进MRI的ML算法.
- 数字幻影为MRI质量评估提供了灵活和可重复的替代方案.
关键词:
核磁共振成像 (MRI) 重建的重建自动化图像质量评估评估数字图像质量 幻影影像数字参考对象是数字参考对象.图像分辨率 图像分辨率 图像分辨率 图像分辨率低对比度可检测性 低对比度可检测性机器学习是机器学习.更多相关视频
08:41Patient-Specific Polyvinyl Alcohol Phantom Fabrication with Ultrasound and X-Ray Contrast for Brain Tumor Surgery Planning
Published on: July 14, 2020
8.5K
08:19Protocol for the Evaluation of MRI Artifacts Caused by Metal Implants to Assess the Suitability of Implants and the Vulnerability of Pulse Sequences
Published on: May 17, 2018
9.8K
