利用基于物理的合成MR图像和深度转移学习来减少Echo-Planar成像中的人工物
Catalina Raymond1,2, Jingwen Yao1,2, Bryan Clifford3
1From the UCLA Brain Tumor Imaging Laboratory (C.R., J.Y., S.O., B.M.E.), David Geffen School of Medicine, University of California Los Angeles, Los Angeles, CA.
AJNR. American journal of neuroradiology
|February 13, 2025
概括
这项研究开发了一种堆叠的转移学习方法,使用生成对抗网络 (GAN) 来减少回声平面成像 (EPI) 中的工件. 人工智能模型有效地提高了图像质量,并保留了质母细胞瘤患者的定量测量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
- 神经成像是一种神经成像.
背景情况:
- 声平面成像 (EPI) 对于神经成像至关重要,但由于高速加速,易受人工物影响.
- 现实的文物模拟对于训练强大的深度学习模型至关重要.
- 生成对抗网络 (GANs) 显示出对图像文物减少的承诺.
研究的目的:
- 通过基于物理的方法合成现实的MR文物.
- 训练一个深度学习GAN用于EPI序列中的文物减少.
- 评估不同的GAN训练策略,以实现最佳的文物校正.
主要方法:
- 创建了一个合成数据集,包含 4,573 个解剖学MRI 序列与模拟的 EPI 文物.
- 使用了一个修改后的Pix2PixGAN和一个Attention-R2UNet发电机.
- 对比了三个培训策略:"全合一"",单一模型"和"堆叠转移学习".
主要成果:
- "堆叠转移学习"方法显示出卓越的工件减少性能.
- 定量指标 (MSE,SSIM,PSNR,豪斯多夫距离) 支持堆叠转移学习模型.
- 质母细胞瘤患者的AI校正图像显示,随着病变测量的一致性,视觉质量得到了改善.
结论:
- 以物理为基础的文物合成可用于创建大型训练数据集.
- "堆叠转移学习"方法有效地训练GAN用于EPI工件减少.
- 这种方法有可能提高神经成像的质量和可靠性.
