通过物理辅助卷积神经网络进行非卷积优化,用于基于MR的电特性断层扫描:数值调查

科学领域:

• 生物医学成像技术 生物医学成像技术
• 医学物理 医学物理
• 计算电磁学 计算机电磁学

背景情况:

• 基于磁共振成像的电气性质断层扫描 (MR-EPT) 是一种评估生物组织电气性质 (EP) 的非侵入性方法.
• 准确的EP映射对于各种MRI应用,包括诊断和治疗规划至关重要.
• 目前的MR-EPT重建方法可能是计算密集的,限制了它们的临床适用性.

研究的目的:

• 开发和评估一种非滚动的,物理辅助的深度学习方法,用于加速的2DMR-EPT重建.
• 在准确性和计算效率方面评估拟议方法的性能,与既有技术相比.
• 调查在MR-EPT的代重建框架内使用卷积神经网络 (CNN).

主要方法:

• 开发了一种新的未卷,物理辅助的方法,采用一连串CNN用于2DMR-EPT重建.
• 布中的每一个CNN都是为了计算对比度更新而设计的,它通过梯度下降方向结合了物理原理.
• 该方法在128 MHz的现实2D大脑模型中进行了形训练和验证.

主要成果:

• 拟议的物理辅助深度学习方法成功地从二维MR-EPT数据中重建了电性质 (EP) 地图.
• 发现重建质量与广泛使用的对比源逆转EPT (CSI-EPT) 方法相当.
• 与传统方法相比,实现了显著的计算时间缩短.

结论:

• 开发的非卷式,物理辅助的深度学习方法为快速而准确的二维MR-EPT提供了一个有希望的替代方案.
• 这种由人工智能驱动的技术有可能加速MRI中的EP映射,从而促进更广泛的临床采用.
• 在深度学习中整合基于物理的约束,提高了MR-EPT重建的稳定性和效率.