使用深度学习同时减少大脑MRI成像中的噪音和运动人工物
Isao Muro1,2, Tetsuro Isoiwa1, Shuhei Shibukawa2,3,4
1Department of Radiology, Advanced Imaging Center YAESU Clinic, Tokyo, Japan.
概括
深度学习有效地消除了脑MRI扫描中的运动工件和噪音,显著提高了临床使用的图像质量. 这种方法通过提供更清晰的T1W,T2W和FLAIR图像来提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 运动工件 (MA) 和噪音降低了脑磁共振成像 (MRI) 扫描的质量.
- 这些文物可以掩盖重要的解剖细节,可能导致误诊.
- 深度学习为医疗成像中的自动化文物和降噪提供了一个有希望的途径.
研究的目的:
- 开发和验证一种基于深度学习的方法,用于减少大脑MRI中的运动工件和噪音.
- 通过改善不同序列 (T1W,T2W,FLAIR) 的图像质量来提高MRI的临床实用性.
主要方法:
- 使用模拟的大脑MRI图像 (T1W,T2W,FLAIR) 训练了一种深度学习模型,使用不同级别的噪音和MA.
- 为每个MRI序列开发了单独的模型.
- 模型性能使用定量指标 (SSIM,PSNR) 和无线电技术人员进行定性视觉评估来评估.
主要成果:
- 深度学习模型在消除噪音和MA方面取得了很高的性能,SSIMout>0.95和PSNRout平均72dB.
- 与输入图像 (IMPRs和IMPRp) 相比,图像质量显著改善.
- 视觉评估证实了该方法在减少文物和噪音方面的有效性.
结论:
- 提出的深度学习方法有效地从脑MRI中删除运动工件和噪音,无论成像方向或工件方向如何.
- 使用模拟数据进行训练使得能够生成强大的模型.
- 这种技术具有显著的潜力,可以提高脑MRI的诊断准确性和临床适用性.
