使用物理引导的神经网络对神经流体进行超分辨率和4D流动MRI的超分辨率和否定
Neal M Patel1, Emily R Bartusiak2, Sean M Rothenberger1
1Biomedical Engineering, Purdue University, West Lafayette, IN, USA.
Annals of biomedical engineering
|September 2, 2024
概括
一个新的物理引导的神经网络,div-mDCSRN-Flow,增强了脑脊液和血液流动的4D流动MRI分辨率. 这种方法提高了可视化流动动态的准确性,有助于大脑血管健康评估.
科学领域:
- 医疗成像医学成像
- 计算流体动力学的流体动力学.
- 人工智能的人工智能
背景情况:
- 4D流动MRI为脑脊液 (CSF) 和血液流动动力学提供了关键的见解.
- 改善4D流MRI的空间分辨率和降低噪音对于准确的定量分析至关重要.
- 现有的方法在实现复杂流动模式的高分辨率速度场方面存在局限性.
研究的目的:
- 开发和验证物理指导的神经网络 (div-mDCSRN-Flow) 用于4D流MRI的超分辨率和无效化.
- 为了获得CSF和脑血流的高分辨率速度场.
- 根据既有技术评估网络的性能.
主要方法:
- 开发了div-mDCSRN-Flow网络,结合了基于物理的约束 (质量保存).
- 在合成的4D流MRI数据上训练网络,这些数据来自CSF流量的计算流体动力学模拟.
- 使用合成,体外和体内4D流MRI数据评估性能,与多种已知方法进行比较.
主要成果:
- div-mDCSRN-Flow网络在重建高分辨率速度场时显著超过了其他方法.
- 在体外核心 (22.5%) 和边缘 (49.5%) 两种voxels.与三线式插值相比,实现了实质性的误差降低.
- 在健康和阿尔茨海默氏症病例中表现出卓越的表现.
结论:
- div-mDCSRN-Flow方法显示了对4D流MRI超分辨率和无噪声的概括性.
- 基于物理的约束和流动补丁的培训有助于网络的稳定性.
- 这种方法可以推进对CSF流动及其与脑血管健康的关联的MRI研究.
