婴儿大脑的超场MRI合成通过双通道隐性扩散增强

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 便携式超低场 (uLF) MRI 系统在资源有限的环境中提供了扩展的可访问性,特别是对于新生儿和婴儿.
• 然而,uLFMRI的图像质量低于高场MRI,限制了其临床和研究实用性.
• 解决这个差距对于改善服务不足人群的诊断能力至关重要.

研究的目的:

• 引入超场网络 (SFNet),这是一种新的深度学习模型,旨在从超低场 (uLF) 输入生成高场 (HF) 类似的磁共振成像 (MRI) 图像.
• 为了增强婴儿LF-HFMRI数据的小数据集,使用隐性扩散来改进模型训练.
• 评估SFNet的性能与图像合成和大脑组织细分的最先进方法相比.

主要方法:

• 开发SFNet,一个具有生成对抗网络组件的自定义SWINUNETRv2,用于从LFMRI合成超场 (SF) 图像.
• 潜在扩散模型的新应用,以创建双通道 (uLF-HF) 配对的MRI,用于数据集增强.
• 使用弗雷切开始距离,感知相似度得分,峰值信号噪声比率 (PSNR) 和白质 (WM),灰质 (GM) 和脑脊液 (CSF) 分段的Dice相似度系数进行比较分析.

主要成果:

• 在隐性扩散增强数据集上训练的SFNet取得了最先进的结果,Fréchet发射距离为9.08 ± 1.21,感知相似度为0.11 ± 0.01,PSNR为22.64 ± 1.31.
• 在发育中的婴儿大脑中,WM,GM和CSF的细分与真实HF图像有很大的重叠 (代数系数:0.71 ± 0.1,0.79 ± 0.2,0.73 ± 0.08).
• SFNet生成的细分比基于 uLF 的细分显著改善,分别为WM,GM和CSF增加了166%,107%和106%.

结论:

• SFNet有效地从 uLF MRI 数据中生成超场 (SF) 图像,实现与高场 (HF) MRI 相比的质量.
• 隐性扩散用于数据增强的整合显著提高了SFNet的性能,特别是对于小或代表性不足的数据集.
• 通过提高低成本,便携式MRI系统在资源有限的环境和弱势群体的诊断实用性,SF MRI技术对促进健康平等具有重大前景.