DeepRetroMoCo:基于深度神经网络的回顾性运动校正算法用于脊髓功能性MRI

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 机器学习 机器学习

背景情况:

• 脊髓fMRI预处理面临的挑战是运动工件.
• 对于大脑而言,现有的运动校正算法对于脊髓来说并不理想.
• 开发有效的运动校正对于脊髓fMRI数据质量至关重要.

研究的目的:

• 介绍DeepRetroMoCo,这是一个深度学习模型,用于在脊髓fMRI中检测和纠正运动工件.
• 根据既有方法评估DeepRetroMoCo的表现.

主要方法:

• 一个称为DeepRetroMoCo的卷积神经网络 (CNN) 是使用无监督学习开发的.
• 该模型在27名参与者的轴向T2*加权脊髓fMRI数据上进行了训练和测试.
• 性能与sct_fmri_moco方法进行了比较,使用sznr和dvars指标.

主要成果:

• 在DeepRetroMoCo的研究中,在子宫中实现了显著更高的平均时间信号噪声比 (tSNR).
• 与DeepRetroMoCo一起观察到较低的三角形变异信号 (DVARS) 值,表明更好的运动器件减少.
• DeepRetroMoCo 证明了显著更快的处理时间.

结论:

• 在宫脊髓fMRI中,DeepRetroMoCo为运动校正提供了显著的改进.
• 深度学习方法提供了增强的性能和运动工件的有希望的解决方案.
• 这种方法提高了脊髓fMRI分析的质量.