对脑MRI并行成像重建的扫描特定深度学习策略的洞察力

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 深度学习使用自动校准信号 (ACS) 加快MRI重建.
• 优化深度学习模型用于扫描特定并行成像重建需要客观的方法.
• 在加速MRI中描述图像质量对于临床翻译至关重要.

研究的目的:

• 引入客观的方法来优化深度学习架构和对扫描特定并行MRI重建的培训.
• 提出一种新的指标,即基于关联的剩余工件指数 (COBRAI),用于量化结构化剩余工件.
• 评估不同的卷积神经网络 (CNN) 架构和训练策略,用于2D大脑MRI.

主要方法:

• 目标超参数优化使用网格搜索与ACS数据上的K折交叉验证.
• 评估单层和三层残余CNN的真实和复杂的卷积.
• 开发和应用COBRAI指标用于文物量化.
• 快速MRI模型和内部多对比2D脑MRI数据集的模型比较.

主要成果:

• 网格搜索策略成功识别了优化的超参数,改善了图像质量指标.
• 发现非线性激活函数引入结构化的残留工件.
• 具有复杂卷积和较少参数的三层残余线性CNN显示出卓越的稳定性和工件减少.
• 拟议的COBRAI指标有效量化了结构化文物,补充了现有的指标.

结论:

• 扫描特定的深度学习用于MRI并行图像重建可以有效地优化使用客观的网格搜索策略.
• 科布莱指标提供了有价值的结构文物特征,有助于在加速MRI中选择模型.
• 优化的线性CNN模型使得2D脑MRI中加速率更高,工件减少.