通过生成性AI模型加速乳腺MRI采集

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 乳腺核磁共振扫描越来越多地被推,特别是对于乳腺密度较高的女性.
• 加快图像采集对于改善MRI可访问性和患者体验至关重要.
• 目前的乳房MRI重建方法在平衡速度和图像质量方面面临挑战.

研究的目的:

• 评估基于分数的扩散模型的有效性,以加速乳腺MRI重建.
• 评估这些模型生成的重建的图像质量和诊断价值.
• 调查模型在各种亚样本因素下的性能.

主要方法:

• 在9549次乳腺MRI检查中训练了一种基于分数的扩散模型.
• 该模型被用来重建低样本的MRI图像,加速度因子为2,5和20.
• 两位放射科医生评估了重建图像的整体质量和诊断价值,在一组独立的100次检查中进行了测试.

主要成果:

• 基于分数的模型成功地重建了T1和T2权重的乳房MRI图像,具有高保真度.
• 在加速因子为2的情况下,图像被评为几乎无法与原件区分的100% (放射科医生1) 和99% (放射科医生2) 的情况.
• 性能随着加速度因子的增加而下降,分别达到88%和70%的加速度因子5,5%和21%的加速度因子20.

结论:

• 基于分数的扩散模型表明,即使在中度加速因子下,乳腺MRI重建也具有高保真度的潜力.
• 需要对更大的数据集进行进一步的研究,以确认在更高加速水平的诊断质量.
• 这种方法可以显著提高乳房MRI检查的效率和可访问性.