脑MRI的SISMIK:基于深度学习的运动估计和基于模型的运动校正在k空间

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 磁共振成像 (MRI) 对患者的运动敏感,降低了图像质量.
• 现有的运动校正方法往往是有限的,不能普遍适用.
• 在2D旋回回声脑扫描中,在平面上刚性身体运动是临床实践中常见的挑战.

研究的目的:

• 开发一种回顾性方法来估计和纠正MRI中的飞机内刚体运动.
• 利用深度神经网络直接在k空间中进行运动参数估计.
• 用基于模型的方法恢复退化的MRI图像,避免图像工件.

主要方法:

• 在广泛的运动模拟上使用监督学习训练了一个深度神经网络.
• 该方法从k空间数据中估计运动参数,允许在没有无运动参考的情况下进行校正.
• 基于模型的图像修复技术被用来重建运动校正图像.

主要成果:

• 拟议的方法在模拟和实体数据上都表现出良好的概括性能.
• 实现了运动参数的准确估计,即使在高空间频率下也是如此.
• 定性和定量评估证实了运动估计和图像重建的有效性.

结论:

• 开发的深度学习方法为2D Spin-Echo脑MRI运动校正提供了强大的解决方案.
• 该方法能够追溯工作,并且没有参考,这是一个显著的进步.
• 提供的Python实现方便了该技术的进一步研究和应用.