合成和真实图像的桥梁:通过多重重叠的回声分离成像进行多参数映射的可转移域适应方法

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:

• 定量MRI面临的挑战是合成和真实数据之间的域差异.
• 使用多重重叠回声分离 (MOLED) 成像的多参数映射提供了快速和多功能的临床应用.
• 域调整对于改善MRI模型对现实数据的概括至关重要.

研究的目的:

• 开发和评估一个域调整方法,MaskedUnet,以解决MOLED定量MRI中的合成和真实数据差异.
• 提高在合成数据上训练的模型对真实MOLED成像数据的概括能力.
• 提高从MOLED成像中获得的定量地图的质量.

主要方法:

• 提出了MaskedUnet,这是一个域调整技术,利用基于面具的自我监督预训在未标记的真实MOLED图像上.
• 学习了真实数据分布知识,以使合成数据更接近真实数据.
• 根据T2,T2*和明显扩散系数 (ADC) 的评估,使用3T核磁共振扫描仪从健康志愿者和脑瘤患者的MOLED成像数据.

主要成果:

• 在MOLED成像重建中,MaskedUnet显著降低了噪音并消除了条纹文物.
• 实现了更好的定量地图准确性,通过正常化平均平方误差,峰值信号噪声比率和不同MOLED对比度和数据集的结构相似性指数值来证明.
• 实验结果表明,与现有技术相比,拟议的方法的有效性.

结论:

• MaskedUnet成功地弥合了合成和真实MOLED数据之间的领域差距.
• 该方法促进了多参数MOLED定量成像在临床环境中的应用.
• 通过域调整来改善定量MRI的证明可行性.