基于模型的深度学习与完全连接的神经网络用于加速磁共振参数映射

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 定量磁共振成像 (qMRI) 是一种技术.

背景情况:

• 定量磁共振成像 (qMRI) 通过对组织中质子核旋转的物理参数进行成像,对临床研究具有重大潜力.
• 当前的qMRI方法面临着长时间的获取时间的挑战,阻碍了临床实施和准确性和可靠性的验证.
• 深度学习 (DL) 已成为减少成像时间和提高医学成像图像质量的有希望的技术.

研究的目的:

• 引入和验证一种新的深度学习框架,即卷积网络的定量深层布 (qDC-CNN),用于在qMRI中加速定量参数映射.
• 证明拟议的qDC-CNN模型在准确性和效率方面优于现有的竞争方法.
• 为解决 qMRI 中减少采集时间的需求,以实现实际的临床应用.

主要方法:

• 该研究开发了一种集成的深度学习框架,qDC-CNN,它结合了一种未滚动的图像重建网络和一个完全连接的神经网络来进行参数估计.
• 训练和测试使用来自BrainWeb数据库的模拟多片多回声 (MSME) 数据集进行.
• 重建错误使用正常化根平均二次错误 (NRMSE) 进行了评估,并与基于DL的传统方法进行了比较,在不同的加速度因子和对比图像数量下.

主要成果:

• 拟议的 qDC-CNN 在大多数情况下,对于 S0 和 T2 参数,实现了 10% 内的正常化根平均平方误差 (NRMSE) 值.
• 值得注意的是,使用qDC-CNN估计T2参数的NRMSE值明显低于使用传统方法获得的值.
• 该框架在不同加速度因子和减少对比图像数量方面表现出强的性能.

结论:

• 与传统模型相比,qDC-CNN模型的重建错误明显较小,表明性能优越.
• 拟议的方法适用于各种qMRI序列,并通过其模块化设计提供灵活性,通过替换图像重建模块来改善性能.
• 这一框架提供了一个可行的解决方案,可以加速qMRI获取时间,增强临床相关性并使更广泛的采用成为可能.