显式异常提取无监督的运动人工物 减少磁共振成像中的显式异常提取

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 运动工件显著降低了磁共振成像 (MRI) 的质量,阻碍了诊断和图像导向治疗.
• 监督深度学习方法的运动工件减少 (MAR) 需要配对损坏和无工件图像,这是很难获得的.
• 这种限制限制了监督MAR技术在临床环境中的实际应用.

研究的目的:

• 提出一个新的无监督深度学习网络,UNAEN,用于MRI的运动器件减少.
• 为了使MAR能够使用未配对的损坏的和没有文物的MR图像,克服监督方法的局限性.
• 提高MRI扫描的质量,以提高诊断准确度和图像导向治疗.

主要方法:

• 开发了一个未经监督的异常提取网络 (UNAEN),它运行在未配对的MRI数据集上.
• 实现了文物提取器,以识别和隔离文物地图从损坏的MRI图像.
• 使用重建器从工件减少的图像中恢复图像质量.

主要成果:

• 与最先进的MAR方法相比,UNAEN在各种公共MRI数据集上表现出卓越的性能.
• 定量评估证实了UNAEN在减少运动工件方面的有效性.
• 视觉评估显示,在UNAEN处理的图像中,残留物件显著减少.

结论:

• 乌纳恩提供了一个有前途的无监督解决方案,用于在MRI中减少运动工件.
• 该网络能够处理未配对数据的能力使其适用于现实世界的临床应用.
• 乌纳恩有潜力提高诊断准确度,并促进先进的图像引导疗法.