深度学习的应用加速图像重建在T2-权重的轮旋转回声成像中,在7T时对大脑进行成像

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 医疗成像中的人工智能 (AI)
• 神经成像是一种神经成像.

背景情况:

• 超高场 (7T) 核磁共振提供了更高的分辨率,但面临着延长成像时间和运动灵敏度的挑战.
• 先进的图像重建技术对于优化7TMRI临床应用至关重要.

研究的目的:

• 评估基于深度学习 (DL) 的图像重建方法在7T时对T2加权的轮自旋回声成像的有效性.
• 在图像质量和降噪方面,将DL重建与标准方法进行比较.

主要方法:

• 在7T数据上训练的深度神经网络被用于图像重建.
• 来自30名临床7T大脑MRI患者的原始k空间数据使用DL和标准技术进行了重建.
• 进行了定性评估 (图像质量,文物,清晰度,明显性,噪声) 和定量指标 (CNR,噪声水平).

主要成果:

• 基于DL的重建在所有定性评估中显著优于标准方法 (P < .001).
• 在DL重建后观察到平均对比噪声比 (CNR) 增加了50.8%.
• 使用DL方法实现了平均35.1%的噪声降低.

结论:

• 基于深度学习的重建可以在7TMRI中显著提高图像质量,没有任何不良影响.
• 这种技术为克服运动灵敏度和提高超高场MRI效率提供了宝贵的进步.
• DL重建显示了在7T神经成像中常规临床使用的显著潜力.