在多发性硬化症中使用生成对抗网络从64mT低强度磁场MRI进行多序列3T图像合成

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 便携式低场强度 (64mT) MRI 扫描仪提供更广泛的访问,但与传统高场扫描仪相比,图像质量较差.
• 从低场MRI提高图像质量对于临床和研究应用至关重要,特别是在神经成像中.

研究的目的:

• 开发和评估一个深度学习架构 (LowGAN) 来从低场强度输入生成高场强度质量的脑图像.
• 为了评估LowGAN的有效性,使用来自多发性硬化症患者的配对MRI数据.

主要方法:

• 一个生成对抗网络 (LowGAN) 已被开发用于低到高场图像翻译.
• 来自64-mT和3-T扫描仪的T1加权,T2加权和FLAIR核磁共振成像数据被用在50名患有MS的参与者身上.
• 对合成图像进行了质量 (结构相似度指数),形态测量和白质病变细分等方面的评估.

主要成果:

• 与T1加权 (0.87对0.82) 和FLAIR (0.88对0.85) 对比的本地低场图像相比,LowGAN生成的图像显示出明显更高的结构相似度指数.
• 来自LowGAN输出的大脑皮层体积与3-T测量 (483.6cm3对482.1cm3) 并没有显著差异.
• 低GAN改善了白质病变细分,与原生64-mT图像 (0.32对0.28) 相比,子得分有所改善.

结论:

• 将LowGAN超分辨率应用于超低场强度MRI显著提高了图像质量.
• 低GAN显示了通过便携式MRI技术提高神经成像可访问性和诊断能力的潜力.