有效的深度学习大脑MRI超分辨率使用模拟训练数据

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 高分辨率 (HR) 磁共振成像 (MRI) 对于诊断至关重要,但往往无法使用或易受人造物影响.
• 低分辨率 (LR) MRI是常见的,深度学习 (DL) 超分辨率 (SR) 可以增强它.
• 目前的DL-SR方法需要配对HR-LR训练数据.

研究的目的:

• 研究模拟大脑MRI数据用于训练基于DL的SR网络的有效性.
• 评估模拟数据是否可以增强现有的培训数据集.

主要方法:

• 模拟了一个庞大的,多样化的,没有文物的大脑MRI数据集,具有voxel对齐和不同的分辨率.
• 使用模拟数据和增强现实数据训练了四个DL-SR网络.
• 对来自多个来源的真实世界MRI数据评估训练有素的网络.

主要成果:

• 从1mm的LR T1w脑MRI产生了0.7mm的SR图像.
• 训练有素的网络显著提高了LR图像的清晰度.
• 用模拟数据增强的网络在多个真实数据集中表现出优异的性能,与仅在真实数据上训练的网络相比.

结论:

• 模拟配对HR-LR大脑MRI数据对于训练和增强DL-SR网络是有效的.
• 使用模拟数据进行增强增强了SR网络在各种真实MRI数据集中的通用性.