通过使用学习的理想观察者来估计加速MRI图像重建方法的基于任务的性能极限

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 医疗保健中的人工智能

背景情况:

• 客观的图像质量 (IQ) 测量对于优化医学成像系统至关重要.
• 理想的观察者 (IO) 性能为图像重建设定了理论限制,指导系统设计.
• 图像重建的深度学习 (DL) 方法可以掩盖在样本不足的数据中的诊断信息丢失.

研究的目的:

• 探索数据空间卷积神经网络 (CNN) 接近IO (CNN-IOs) 的应用,用于多线圈磁共振成像 (MRI).
• 使用CNN-IO分析在MRI中建立基于任务的图像重建性能界限.
• 评估加速数据采集对MRIIO性能的影响.

主要方法:

• 使用了风格化的多线圈灵敏度编码 (SENSE) MRI 系统.
• 使用深度生成的随机大脑模型进行模拟.
• 应用信号-已知-统计和背景-已知-统计 (SKS/BKS) 二元信号检测任务.
• 研究了在不同加速度因子下数据空间CNN-IOs的性能.

主要成果:

• 证明了使用数据空间CNN-IO分析用于多线圈MRI的可行性.
• 量化了加速因子对MRIIO性能的影响.
• 提供了一种识别MRI采集设计的方法,以保存诊断信息.

结论:

• 数据空间CNN-IO分析是优化MRI系统和重建方法的宝贵工具.
• 这种方法可以帮助确保诊断图像质量,即使在积极的不足采样和加速.
• 这些发现对于先进的MRI技术和医疗器械提交的发展至关重要.