通过神经风格转移进行规范化,用于使用有限数据进行MRI场转移重建

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.

背景情况:

• 深度学习显著提升了MRI重建,但需要大型,特定的数据集.
• 在数据有限的场景中重建仍然是一个关键的挑战.
• 现有的方法,比如通过denoising (RED) 规范化,使用denoisers作为 priors.

研究的目的:

• 引入通过神经风格转移 (RNST) 进行规范化,用于MRI领域转移重建.
• 为了应对MRI重建中的数据有限设置的挑战.
• 在没有配对训练数据的情况下,从低场输入中生成高场质量的MRI图像.

主要方法:

• 集成了一个神经风格转移 (NST) 引擎与一个denoiser.
• 开发了一个名为RNST.的新框架.
• 利用NST的风格先验来克服数据限制.

主要成果:

• 在RNST成功地重建了高质量的MRI图像跨轴向,冠状和斜面平面.
• 与低场引用相比,实现了优越的图像清晰度,对比度和结构忠实度.
• 即使在风格和内容图像之间不完美对齐的情况下,也证明了强度.

结论:

• RNST为MRI现场转移重建提供了一个可扩展和数据效率高的解决方案.
• 该框架显示了资源有限的临床环境的巨大潜力.
• 在不需要大型,特定任务的数据集的情况下,RNST能够生成高场质量的图像.