3D Wasserstein生成对抗网络与密集的U-Net基于歧视者用于临床前fMRI否定
Sima Soltanpour1, Arnold Chang2, Dan Madularu3,4
1School of Information Technology, Carleton University, 1125 Colonel By Dr, Ottawa, Ontario, K1S 5B6, Canada. simasoltanpour@cunet.carleton.ca.
Journal of imaging informatics in medicine
|February 12, 2025
概括
这项研究介绍了3D U-WGAN,这是一种用于消除临床前功能磁共振成像 (fMRI) 数据的新算法. 该方法提高了图像质量和信号噪声比,同时保留了关键的大脑结构.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 功能性磁共振成像 (fMRI) 对于研究大脑功能至关重要,但易受噪声的影响.
- 拒绝fMRI数据至关重要,特别是在临床前研究中,这些研究面临着诸如低信号噪声比率和解剖变异性等独特挑战.
研究的目的:
- 开发一个结构保存的算法,有效地否定临床前fMRI数据.
- 提高fMRI扫描的信号噪声比和图像质量,而不损害结构完整性.
主要方法:
- 提出了一个新的3D Wasserstein生成对抗网络 (3D U-WGAN) 与一个3D密集的U-Net区分器.
- 使用4D数据配置进行全面的时空无声化.
- 集成的对抗性损失和特征空间距离测量以防止过度平滑和增强感知相似性.
主要成果:
- 在休息状态和基于任务的临床前fMRI数据中,3D U-WGAN显著提高了图像质量.
- 该算法有效地提高了信号噪声比,同时最大限度地减少了结构变化.
- 与模拟和真实临床前fMRI数据集的最先进方法相比,表现出优异的性能.
结论:
- 拟议的3D U-WGAN是消除临床前fMRI数据的强大工具,提供更好的图像质量和结构保存.
- 这种方法推进了临床前fMRI的分析,使得对大脑功能有了更可靠的见解.
