相关实验视频
Updated: May 22, 2025
Magnetic Resonance Imaging of Multiple Sclerosis at 7.0 Tesla
Published on: February 19, 2021
对于7T MP2RAGE和SPACE MRI的深度学习重建:在高加速因子下改善图像质量
Zeyu Liu1, Vishal Patel1, Xiangzhi Zhou1
1From the Department of Radiology, Mayo Clinic, Jacksonville, FL, USA (Z.L., X.Z., S.T., E.M.W., V.G., E.H.M.); Department of Radiology, Peking Union Medical College Hospital, Beijing, China (Z.L.); Advanced Clinical Imaging Technology, Siemens Healthineers International AG, Lausanne, Switzerland (T.Y.); Department of Radiology, Lausanne University Hospital and University of Lausanne, Lausanne, Switzerland (T.Y.); LTS5, Ecole Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland (T.Y.); Siemens Medical Solutions USA, Inc., Jacksonville, FL, USA (J.M.); MR Application Predevelopment, Siemens Healthineers AG, Forchheim, Germany (P.L.); Siemens Medical Solutions USA, Inc., Scottsdale, AZ, USA (H.M.); Department of Radiology, Mayo Clinic, Scottsdale, AZ, USA (H.M.).
深度学习重建显著改善7T脑MRI图像质量,并减少MP2RAGE和SPACE FLAIR扫描的噪声. 这种先进的技术提高了对比度和噪声比率,而不会增加工件,从而有可能产生更高的加速度因子.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 神经成像技术 神经成像技术
背景情况:
- 深度学习 (DL) 已经彻底改变了MRI重建,在常规场强度下实现了更高的加速度因子和更好的图像质量.
- 然而,它在超高射场 (UHF) 核磁共振 (MRI) 中的应用,特别是在7特斯拉 (7T) 时,仍然不那么被探索.
- 传统的重建方法,如压缩传感 (CS) 和并行成像中的控制别名 (CAIPIRINHA) 在7T有局限性.
研究的目的:
- 评估基于DL的原型图像重建技术,用于7T大脑MRI.
- 将DL重建的性能与传统的CS和CAIPIRINHA方法进行比较.
- 通过MP2RAGE和SPACE FLAIR序列来评估DL重建.
主要方法:
- 60名接受7T脑部MRI (30 MP2RAGE, 30 SPACE FLAIR) 的患者的回顾性分析.
- 使用DL和传统技术重建原始数据.
- 由两个神经放射学家评估的图像质量 (利克尔特尺度:整体质量,文物,清晰度,明显性,噪声);对比度和噪声水平的定量分析.
主要成果:
- DL重建显著改善了MP2RAGE和SPACE FLAIR数据的整体图像质量,并减少了主观噪声 (P<0.001).
- 在DL重建 (P>0.05) 时,没有观察到图像工件的显著增加.
- 与传统方法相比,DL显著增加了CNR (MP2RAGE: +49.5%,SPACE FLAIR: +90.6%) 和降低了噪音 (MP2RAGE: -33.5%,SPACE FLAIR: -47.5%).与传统方法相比,DL显著增加了CNR (MP2RAGE: +49.5%,SPACE FLAIR: +90.6%) 和降低了噪音 (MP2RAGE: -33.5%,SPACE FLAIR: -47.5%).
结论:
- 与传统方法相比,基于DL的重建大大提高了7T脑MRI的图像质量,而无需引入文物.
- 该技术显示了MP2RAGE和SPACE FLAIR序列的CNR和降噪的显著改善.
- DL重建有可能实现更高的加速度因子,从而提高7TMRI的图像质量和分辨率.
