使用人工智能辅助的压缩传感与基于深度学习的重建相结合,加速大脑T2加权成像:在5.0TMRIMRI上的可行性研究

科学领域:

• 磁共振成像技术 磁共振成像技术
• 医疗成像中的人工智能
• 神经成像是一种神经成像.

背景情况:

• T2加权成像 (T2WI) 对于检测大脑和病变至关重要,但由于长时间的扫描时间和运动器件而受到影响.
• 人工智能辅助的压缩传感 (ACS) 和基于深度学习的重建 (DLR) 为加速MRI扫描提供了解决方案.
• 在5.0T时,ACS和DLR对T2WI的联合疗效之前没有被研究过.

研究的目的:

• 评估ACS-DLR综合技术在5.0T时对大脑T2WI的诊断性能.
• 将ACS-DLR技术与传统并行成像 (PI) 协议进行比较.
• 评估图像质量,文物,信号与噪声比率 (SNR) 和对比度与噪声比率 (CNR).

主要方法:

• 使用ACS,DLR和PI技术进行脑T2WI的98名参与者的前性分析.
• 由两个独立观察员对图像质量和文物进行主观评估.
• 在灰质,白质和脑脊液中对SNR和CNR的客观评估.

主要成果:

• ACS和DLR将获取时间缩短了78%.
• 基于深度学习的重建 (DLR) 与ACS相比,显示出优越的整体图像质量,质量相当于PI.
• DLR获得了最高的SNR和与PI相比较的CNR,表现优于ACS.

结论:

• 通过ACS和DLR的集成,可以在5.0T的超快速脑T2WI获取.
• 这种组合技术保持了优越的SNR和与传统PI序列相比的CNR.
• ACS-DLR代表了高效和高质量的神经成像的一个有希望的进步.