基于深度学习的图像增强功能用于动态非卡尔特斯核磁共振:适用于"静音"fMRI.
Frank Riemer1, Marius Eldevik Rusaas2, Lydia Brunvoll Sandøy2
1Mohn Medical Imaging and Visualization Centre (MMIV), Department of Radiology, Haukeland University Hospital, 5021, Bergen, Norway; Neuro-SysMed, Department of Neurology, Haukeland University Hospital, 5021, Bergen, Norway; Department of Physics and Technology, University of Bergen, 5007, Bergen, Norway.
Computers in biology and medicine
|March 4, 2025
概括
深度学习图像增强提高了静音功能性MRI (fMRI) 的质量. 一个3D-UNet模型显著减少了错误和保留了时间信号变化,使其适合噪声敏感的fMRI研究.
科学领域:
- 医疗成像医学成像
- 神经成像是一种神经成像.
- 人工智能的人工智能
背景情况:
- 静音功能性MRI (fMRI) 对噪音敏感环境至关重要,但由于低采样的k空间,图像质量往往会降低.
- 深度学习 (DL) 提供了提高低样本MRI数据图像质量的潜在解决方案.
研究的目的:
- 调查基于DL的图像增强对静音fMRI的有效性,重点是保护时间信号动态.
- 为了比较2D和3DUNet架构,以增强低样本的3D辐射fMRI数据.
主要方法:
- 使用人类结合体项目 (HCP) 休息状态fMRI数据构建了一个基本真相数据集.
- 模拟低样本非卡特西安k空间数据使用"循环恒星"序列轨迹.
- 训练并比较2D-UNet和3D-UNet模型用于图像增强.
主要成果:
- 3D-UNet模型显著优于2D-UNet,平均平方误差降低了97%.
- 3D-UNet成功地保存了静止状态fMRI (rs-fMRI) 数据中的时间信号变化,包括后带带皮层 (PCC) 的相关活动.
- 噪音被有效地减轻,图像质量得到了改善.
结论:
- 深度学习,特别是3D-UNet,对于提高静音fMRI图像质量和保留时间BOLD信号特征是有效的.
- 在fMRI中处理全球文物时,3D卷积比更深的2D网络具有优势.
- 开发的DL方法显示了改善在具有挑战性的声学环境中的fMRI研究的希望.


