用非盲目的深层复杂值卷积神经网络进行MRI无效化.
Quan Dou1, Zhixing Wang1, Xue Feng1
1Department of Biomedical Engineering, University of Virginia, Charlottesville, Virginia, USA.
NMR in biomedicine
|November 11, 2024
概括
这项研究引入了一种新的复杂值卷积神经网络 (CNN),用于磁共振成像 (MRI) 无声化. 该方法有效地提高了图像质量和诊断信息,特别是在低场MRI系统中.
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:
- 在MRI图像中的高信号噪声比 (SNR) 对于准确的诊断至关重要.
- 现有的MRI无效化方法往往忽略了相位信息,限制了它们的有效性.
- 开发先进的无色化技术对于提高MRI诊断能力至关重要.
研究的目的:
- 设计和实施一个复杂值的卷积神经网络 (CNN) 用于MRI无声化.
- 为了利用大小和相位信息,实现卓越的无光性能.
- 评估拟议方法在模拟和真实世界低场MRI数据上的有效性.
主要方法:
- 开发了一种复杂值的CNN,其中包含噪声水平图 (非盲 DnCNN).
- 该网络使用一对地面真相和模拟噪声损坏的MRI图像进行训练.
- 对实值CNN和其他算法进行了定量和定性评估.
主要成果:
- 复杂值模型在关键指标上表现出卓越的表现,例如正常化根-平方平均误差和峰值SNR.
- 非盲目的DnCNN有效地处理了空间变化的并行成像噪声.
- 在体内低场MRI数据中观察到SNR和视觉质量的显著改善.
结论:
- 拟议的非盲DnCNN为MRI无声化提供了高效和有效的解决方案.
- 这代表了非盲目的DnCNN在医学成像中的首次应用.
- 该方法有可能增强低场MRI,改善资源有限的环境中的诊断.
