使用多通道三维卷积神经网络进行体积磁共振成像的剥离,并对快速旋转回声获取有应用
Shutian Zhao1,2,3,4, Fan Xiao3,4, James F Griffith3,4
1Department of Radiology, Ruijin Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Quantitative imaging in medicine and surgery
|September 16, 2024
概括
这项研究引入了一种新的深度学习方法,使用多通道3D CNNs来消除3D快旋回声 (FSE) MRI. 这种新方法有效地提高了图像质量,通过利用来自多次激发 (NEX) 采集的噪声信息.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 三维 (3D) 磁共振成像 (MRI) 提供高空间分辨率,但信号噪声比率降低.
- 目前用于3DMRI的深度学习解密方法在提取高维特征方面存在局限性.
- 现有的3D卷积神经网络 (CNN) 使用多通道2D或单通道3D网络.
研究的目的:
- 开发一种先进的深度学习方法来消除3D快速旋转回声 (FSE) MRI.
- 为了利用来自多次激发 (NEX) 采集的固有噪声信息.
- 为了提高3DMRI中的信号噪声比和图像质量.
主要方法:
- 一个多频道的3D CNN被开发出来,以消除多NEX 3D FSE MR 图像的噪音.
- 该方法从2-NEX 3D MRI数据中提取3D噪声分布.
- 使用合成和真实膝盖数据对最先进的方法进行了性能评估.
主要成果:
- 拟议的多频道3D CNN展示了卓越的无声化性能.
- 在2D和3D指标中都观察到改善,包括峰值信号噪声比 (PSNR) 和结构相似度指数 (SSIM).
- 该方法的性能优于现有的最先进的核磁共振扫描技术.
结论:
- 一个新的多频道3D CNN有效地消除了多NEX 3D FSE MR图像.
- 这种方法在MRI中需要高维特征提取的任务中显示出显著的潜力.
- 这种方法为提高3DMRI质量提供了一个有前途的解决方案.
