深度学习方法与集成的可逆波纹散射,以提高心脏DTI的质量in vivo

科学领域:

• 医疗成像医学成像
• 生物物理学的生物物理.
• 机器学习 机器学习

背景情况:

• 心脏扩散张力成像 (DTI) 的质量受到呼吸和心脏运动以及较低的信号噪声比 (SNR) 的限制.
• 现有的方法很难在体内充分应对这些挑战.

研究的目的:

• 开发和验证一种使用无监督学习和可逆波纹散射 (IWS) 进行体内心脏DTI的新增增强方法.
• 提高SNR,对比度和噪声比率 (CNR),以及心脏DTI的结构准确性.

主要方法:

• 从扩散权重 (DW) 图像中使用多尺度波纹散射 (WS) 提取变换不变特征.
• 训练一个多尺度编码器-解码器网络,学习WS系数和DW图像之间的关系.
• 从多个DW收购中融合深度特征并重建增强的DW图像.

主要成果:

• 在透析,胃周平静止受影响和末缩DW图像中SNR和CNR的显著改善 (例如,在末缩时SNR和CNR的56%和30%的改善).
• 一致的分数异构性 (FA) 和平均扩散性 (MD) 值.
• 与现有方法相比,螺旋纤维结构更加连贯.

结论:

• 拟议的IWS方法有效地利用了有限的数据,利用了噪声强大的波纹散射特征.
• 这种方法可以减轻对重复采集次数的依赖,同时解决噪音和运动问题.
• 该方法为提升体内心脏DTI的质量提供了一个有希望的解决方案.