一个深度学习框架,用于重建乳腺胺基质子转移加权成像序列,从稀疏频率偏移到密集频率偏移
Qiuhui Yang1, Shu Su2, Tianyu Zhang3
1Faculty of Applied Sciences, Macao Polytechnic University, Macao Special Administrative Region of China; Guangxi Key Laboratory of Machine Vision and Intelligent Control, Wuzhou University, Wuzhou, China.
概括
一个新的深度学习模型重建了胺质子转移 (APT) MRI 数据,显著减少了 25% 的扫描时间,同时保持了图像质量. 功能性MRI的这一进步可以通过更快的蛋白质代谢量化来改善临床应用.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生物物理学的生物物理.
背景情况:
- 胺基质子转移 (APT) MRI是一种功能性MRI技术,用于蛋白质代谢量化.
- 由于获得时间长,APT MRI的临床采用受到阻碍.
- 获得更少的频率偏移图像以缩短扫描时间,由于z-光谱适配不足,从而损害了量化准确性.
研究的目的:
- 开发一种深度学习模型,从稀疏的APT MRI数据中重建密集的频率偏移.
- 为了减少APTMRI扫描时间而不会影响定量准确性.
- 为了提高APTMRI的临床适用性.
主要方法:
- 开发了一个利用时间序列卷积的深度学习模型,从稀疏的APT MRI数据中重建密集的频率偏移.
- 该模型经过训练,从APT成像序列中提取空间和频率特征.
- 加入了一个加权层来评估个别频率偏移的意义.
主要成果:
- 与其他seq2seq模型相比,建议的深度学习模型实现了优越的重建性能.
- 该模型显示,瘤区域的峰值信号噪声比为45.8,结构相似度指数为0.989.
- 实验结果显示,通过从21个稀疏的偏移重建29个密集的频率偏移,扫描时间减少了25%.
结论:
- 开发的深度学习模型有效地从稀疏的APTMRI数据中重建密集的频率偏移,从而大大减少扫描时间.
- 这种方法为优化APT成像参数和改善临床工作流提供了潜在的指导.
- 这些发现为使用APTMRI测量蛋白质代谢的临床医生提供了宝贵的参考.
