复杂值的神经网络,以加快在高温期间MR温度测量,使用里埃PD和PDUNet
Rupali Khatun1,2,3, Soumick Chatterjee4,5, Christoph Bert2,3
1Translational Radiobiology, Department of Radiation Oncology, Universitätsklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany.
Scientific reports
|April 6, 2025
概括
深度学习模型重建了样本不足的MRI温度计数据,提高了高温症癌症治疗的准确性. 这种先进的技术减少了运动和伪造的文物,增强了瘤的温度监测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 过热 (HT) 是一种成熟的癌症治疗方法,通常与放射或化疗相结合.
- 在HT期间的非侵入性温度监测使用动态磁共振成像 (MRI).
- 标准的MRI采集速度缓慢,导致运动工件;低采样加快了这一点,但引入了别名和模糊性.
研究的目的:
- 开发深度学习方法来重建高度低样本的MR温度计数据.
- 与传统技术相比,提高图像分辨率并减少MR温度计中的工件.
- 解决复杂的MRI数据重建的挑战,对于温度测量至关重要,深度学习应用中经常被忽视.
主要方法:
- 使用了两个深度学习模型:福里埃初级双网络和福里埃初级双UNet.
- 应用这些模型来重建高度低样本的复杂MR图像用于MR温度计.
- 在接受HT治疗的44名肉瘤患者的MRI图像上训练并测试模型.
主要成果:
- 显著减少了样本不足和完全样本的MRI之间的温度差异.
- 在整个体积中,温度差异从1.3°C降低到0.6°C.
- 在瘤区域,温度差异从0.49°C提高到0.06°C,加速度因子是10倍.
结论:
- 基于深度学习的重建有效地解决了低样本MR温度测量的挑战.
- 提出的方法提高了超热监测的图像质量和温度准确性.
- 这种方法为更快,更可靠的MR导向高温癌症治疗提供了有希望的解决方案.
关键词:
复杂的图像 复杂的图像深度学习是一种深度学习.热量过高的情况.核磁共振图像重建的重建MR重建的重建 MR重建的重建在MR温度测试中使用MR温度计.这就是为什么MRI是MRI.低采样低采样低采样低采样低样本的MRI是没有样本的.更多相关视频
13:41Magnetic Resonance-Guided High Intensity Focused Ultrasound Generated Hyperthermia: A Feasible Treatment Method in a Murine Rhabdomyosarcoma Model
Published on: January 13, 2023
2.2K
10:23Author Spotlight: Computing the Effects of a Local Radiofrequency Hyperthermia Intervention on Tumor Biomechanics
Published on: December 1, 2023
332
