使用超分辨率卷积神经网络进行正常血管的3D UTE-MR血管图的强大的分辨率改进

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 与对比度增强的3D UTE-MRA提供了详细的血管图像,但需要很长的扫描时间,冒着运动工件的风险.
• 像中风这样的时间敏感的疾病需要快速的诊断成像,以便及时治疗.
• 提高快速UTE-MRA扫描的分辨率对于临床应用至关重要.

研究的目的:

• 开发一种深度学习模型,以提高快速获取的低分辨率对比增强3D UTE-MRA数据的分辨率.
• 为了评估一个新的3D卷积神经网络的性能,梯形残余密集生成器 (LSRDG),与现有的模型相比.
• 评估该模型在改善图像质量指标和空间分辨率方面对健康和中风患者的有效性.

主要方法:

• 一个新的3D卷积神经网络,LSRDG,被设计和实施.
• LSRDG模型和其他最先进的模型 (SR-ResNet,MRDG64) 在健康的对照大鼠数据上进行了训练和验证.
• 这些模型在健康对照和中风的Wistar大鼠的对比度增强的3D UTE-MRA数据上进行了测试.

主要成果:

• 与SR-ResNet和MRDG64相比,拟议的LSRDG模型在结构相似性指数测量 (SSIM),峰值信号与噪声比 (PSNR) 和平均平方误差 (MSE) 方面取得了优异的表现,无论是健康数据还是中风数据.
• 对于健康数据,LSRDG实现了SSIM的0.983,PSNR的36.80,以及MSE的0.00021.
• 对于中风数据,LSRDG实现了SSIM的0.963,PSNR的34.14,MSE的0.00041,显著提高了分辨率从2343μm3到1173μm3.

结论:

• 开发的LSRDG深度学习模型有效地提高了对比度增强的UTE-MRA的分辨率.
• 该模型显著提高了图像质量指标,为快速,高分辨率的MRA获取提供了可行的解决方案.
• 这一进步有助于更快地诊断和治疗中风和其他时间敏感的血管疾病.