跨模态图像翻译3特斯拉磁共振成像到7特斯拉使用生成对抗网络
Eduardo Diniz1, Tales Santini2, Karim Helmet2,3
1Department of Electrical and Computer Engineering, University of Pittsburgh, Pennsylvania, United States.
medRxiv : the preprint server for health sciences
|November 1, 2024
概括
这项研究使用生成对抗网络 (GAN) 将3特斯拉 (3T) MRI数据转换为7特斯拉 (7T) 合成图像. 这项技术协调了不同MRI系统的数据,提高了研究兼容性和图像质量.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 神经成像是一种神经成像.
背景情况:
- 磁共振成像 (MRI) 技术的进步在3特斯拉 (3T) 和7特斯拉 (7T) 等不同场强度之间的交叉模式数据翻译方面带来了挑战.
- 来自不同平台和不同领域强度的异质MRI数据集的协调对于强大的研究结果至关重要.
- 在3T和7TMRI系统之间过渡往往导致数据不兼容,阻碍了协作研究和多地点研究.
研究的目的:
- 开发一种新的方法,利用生成对抗网络 (GAN) 来从3个特斯拉 (3T) 数据中合成7个特斯拉 (7T) MRI图像.
- 解决跨模式数据翻译的挑战,并协调异构的MRI数据集.
- 评估GAN在提高3TMRI图像对比度和噪声比率 (CNR) 的潜力.
主要方法:
- 使用二维 (2D) CycleGAN 架构对未配对的 3T 和 7T MRI 数据集进行训练.
- 该模型使用1112个未配对的3T和490个未配对的7TMRI图像进行训练.
- 在对22名参与者进行3T和7T扫描的配对数据集上评估了表现,并对22名其他参与者进行了独立测试.
主要成果:
- 循环GAN模型准确地预测了组织类型,包括脑脊液 (CSF),灰质 (GM) 和白质 (WM),在合成7T图像中从3T数据中获得.
- 在独立测试数据集上,CSF的中位数达到了6.82%,GM的7.63%,WM的4.85%.
- 证明了GANs能够放大3T图像的对比度和噪声比率 (CNR),从而有可能提高诊断效用.
结论:
- 拟议的基于GAN的方法提供了一种可靠和高效的方法,用于从3T数据中合成7TMRI图像,帮助数据集协调.
- 这种方法方便将7T MRI的好处纳入研究,同时保持与现有的3T数据的兼容性.
- 这项研究强调了GAN在MRI中克服跨模式翻译挑战的潜力,推动了神经成像研究.
