基于深度学习的身体磁共振成像图像的无色化图像重建 在儿童中
Vanda Pocepcova1,2, Michael Zellner3,4, Fraser Callaghan4,5
1Department of Diagnostic Imaging, University Children's Hospital Zurich, Lenggstrasse 30, 8008, Zurich, Switzerland. Vanda.Pocepcova@kispi.uzh.ch.
Pediatric radiology
|April 5, 2025
概括
深度学习 (DL) 图像重建显著提高了图像质量,并减少了使用辐射k空间采样进行儿科身体MRI的扫描时间. 虽然整体图像质量得到了提高,但未加权的T1图像显示了更多的运动工件.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 儿科放射学 儿科放射学
背景情况:
- 辐射k空间采样在儿科MRI中至关重要,以最大限度地减少运动和别名.
- 人工智能 (AI) 提供了提高图像质量和更快的MRI采集的潜力.
研究的目的:
- 评估儿童体MRI基于深度学习 (DL) 的图像质量.
- 将DL重建与儿科患者的传统方法进行比较.
主要方法:
- 使用辐射k空间 (PROPELLER) 技术进行儿科胸腔腹部MRI的回顾性分析.
- 对DL和T1和T2加权图像的传统重建之间的图像质量比较.
- 由三个观察员进行的定量评估 (SNR,CNR) 和定性评估.
主要成果:
- DL重建结果显示,肝脏和脏的SNR和CNR显著更高 (P<0.001).
- 改善肺血管/支气管的划线,更利的器官边界,以及在DL.L.观察到的更好的血管可见性.
- 减少了每片T1和T2加权图像的扫描时间,使用DL重建.
- 与传统相比,在未测定T1加权的DL图像中增加了呼吸运动工件.
结论:
- 基于DL的无色化重建可以通过辐射采样提高儿科身体MRI质量.
- 通过DL重建可以实现更短的扫描时间.
- 需要仔细考虑T1加权序列的门,以减轻运动工件.
