深度学习用于高加速3D FLAIR MRI在神经缺陷中的高效重建

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 加速核磁共振扫描可以减少患者的不适,并增加吞吐量.
• 压缩感应 (CS) 是加速MRI的常见重建技术.
• 深度学习 (DL) 方法为图像重建提供了潜在的改进.

研究的目的:

• 为了比较CS和独立递归推理机 (CIRIM) 级联的性能,用于12倍加速的3DT2-FLAIRMRI扫描.
• 为了评估图像质量,包括文物,分辨率和对比度,以及重建时间.
• 评估加速因子对图像质量指标的影响.

主要方法:

• 使用CS和CIRIM重建了62名神经缺陷患者的12倍加速3DT2-FLAIR图像.
• 经验丰富的神经放射学家对图像质量的盲目和随机评估.
• 使用公共数据集 (FastMRI) 对信号与噪声比率 (SNR) 和对比率 (CR) 等图像指标进行定量分析.

主要成果:

• 神经放射学家更喜欢CIRIM,因为它减少了文物,改善了解剖学显著性和更好的对比度.
• 在CIRIM重建时,发现文物数量明显减少,解剖学显著性比CS更好 (p < 0.01).
• CIRIM的速度是CS的五倍,SNR高出28%,CR略有下降5.8%.

结论:

• 深度学习重建 (CIRIM) 在神经缺陷患者的加速MRI中在图像分辨率和denoising方面超过CS.
• CIRIM 提供了显著的图像质量改进,并大大减少了重建时间.
• 在使用先进的重建技术的神经缺陷患者中,对MRI中适度至高的加速度因子是可行的.