在CEST成像中增强SNR:采用一种深度学习方法,使用一个无声化的卷积自编码器来增强SNR
Yashwant Kurmi1,2, Malvika Viswanathan1,3, Zhongliang Zu1,2,3
1Vanderbilt University Institute of Imaging Science, Vanderbilt University Medical Center, Nashville, Tennessee, USA.
Magnetic resonance in medicine
|July 20, 2024
概括
一种新的无声卷积自编码器 (DCAE) 增强了化学交换和转移 (CEST) 图像信号与噪声比 (SNR). 这种DCAE-CEST方法的性能优于现有的消除噪音的技术,在临床前研究中提高了图像质量.
科学领域:
- 磁共振成像技术 磁共振成像技术
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 化学交换和转移 (CEST) 图像是检测组织中的分子变化的一种有价值的技术.
- 然而,CEST图像往往患有低信号噪声比 (SNR),限制了其诊断潜力.
- 开发有效的无色化方法对于提高CEST成像质量至关重要.
研究的目的:
- 开发一种用于在CEST成像中增强SNR的新型化卷积自编码器 (DCAE).
- 将拟议的DCAE-CEST方法的性能与最先进的拒绝技术进行比较.
主要方法:
- 开发了一个DCAE-CEST模型,包括一个编码器和解码器网络,使用1D卷积和聚合/上采样层.
- 该模型使用模拟的CEST Z光谱与Kullback-Leibler分歧和主要组件分析 (PCA) 进行了训练,用于上下文学习.
- 使用动物瘤模型的模拟数据和体内数据来评估性能,量化胺质子转移 (APT) 和核Overhauser增强 (NOE) 地图.
主要成果:
- 在数字幻影实验中,DCAE-CEST方法表现出卓越的性能,在峰值SNR和结构相似性指数中表现优于现有的denoising技术.
- 在体内数据证实了DCAE-CEST在拒绝APT和NOE地图方面的有效性.
- 在瘤和正常组织之间在体内观察到NOE的显著差异,但不是APT.
结论:
- DCAE-CEST模型有效地学习了CEST Z频谱的关键特征.
- 与现有的CEST成像方法相比,它提供了更优质的无雾化解决方案.
- 这种方法有望提高CEST成像的诊断效用.
