通过基于深度学习的图像重建来改善Xenon-129肺透气图像SNR
Neil J Stewart1,2, Jose de Arcos3, Alberto M Biancardi1,2
1POLARIS, Division of Clinical Medicine, School of Medicine & Population Health, Faculty of Health, The University of Sheffield, Sheffield, UK.
Magnetic resonance in medicine
|August 19, 2024
概括
深度学习重建显著增强高极化129Xe肺部MRI SNR. 这种方法提高了图像质量,并使得可行的自然丰富的异成像为肺透气评估.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 肺部医学 肺部医学
背景情况:
- 超极化129Xe核磁共振成像是评估肺呼吸的一个有价值的工具.
- 改善信号噪声比 (SNR) 对于提高图像质量和诊断精度至关重要.
- 深度学习 (DL) 为先进的图像重建技术提供了潜力.
研究的目的:
- 评估基于DL的重建在129Xe肺透气MRI中改善SNR的可行性和实用性.
- 评估DL重建对定量通风指标的影响.
- 探索使用DL的自然丰富的子MRI的潜力.
主要方法:
- 从喘/COPD患者的129Xe肺部MRI数据的回顾性重建,使用DL管道在各种排泄水平.
- 在DL重建和常规表示图像之间比较定量指标 (VDP,VH_I).
- 在健康志愿者中对自然丰富的子MRI进行DL重建的前性评估.
主要成果:
- 与传统方法相比,DL重建显著改善了129Xe通风图像SNR.
- 用DL重建的图像在VDP和VH_I中显示了轻微的正偏差,但比替代性无声化更好地保留了结构相似性.
- DL重建实现了超过3倍的SNR改善,这表明自然丰富的异MRI的可行性.
结论:
- 基于DL的重建大大提高了129Xe通风MRI SNR,并保持了结构完整性.
- 由于图像清晰度,在通风指标中观察到较小的偏差,但可以控制.
- 通过DL重建,可以利用自然丰富的进行经济高效的129Xe通风成像.
