一个神经网络,从儿童患者的多个2D脑部扫描中创建超分辨率的MRI

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 儿科瘤学 儿科瘤学

背景情况:

• 高分辨率 (HR) 3D MRI 提供了对儿科癌症治疗副作用的详细见解.
• 由于采集时间长,常规后续扫描通常是低分辨率 (LR) 2D.
• 从LR 2D扫描中重建HR 3D图像对于详细分析至关重要.

研究的目的:

• 开发一个超分辨率卷积神经网络 (CNN) 来从多个2DLR切片重建HR3DMRI.
• 为了从常规儿科癌症后续扫描中提取结构生物标志物.
• 提高现有的成像数据集的研究实用性.

主要方法:

• 一个多层密集连接的超分辨率CNN (mDCSRN) 被调整为从两个垂直的2DLR扫描中重建3DHR图像.
• 培训涉及90HR儿科头部扫描,与LR图像模拟包括文物.
• 对模型性能进行了简单的插值评估,使用峰值信号与噪声比率,结构相似度指数和细分精度 (mDTA,豪斯多夫距离).

主要成果:

• 与简单的插值相比,mDCSRN模型显示出更高的视觉质量.
• 使用mDCSRN的3D重建导致结构细分更接近基线HR图像.
• 平均距离达成协议 (mDTA) 显著改善,例如,在一个数据集上从6.5mm提高到0.7mm.

结论:

• 深度学习有效地从2D LR数据中重建3D HR MRI.
• 这种方法可以解锁回顾性数据集,并推进对儿科癌症长期影响的研究.
• mDCSRN模型在感知质量和自动轮准确性方面表现优于标准插值.