通过神经风格转移进行规范化,用于有限数据的MRI场转移重建
Guoyao Shen1,2, Yancheng Zhu1, Mengyu Li1,2
1Department of Mechanical Engineering, Boston University, Boston, MA, United States.
Frontiers in artificial intelligence
|July 3, 2025
概括
通过神经风格转移 (RNST) 规范化从低场数据中重建高质量的MRI图像,而无需配对训练. 这种新的方法解决了数据的局限性,为资源有限的设置提供了卓越的清晰度和对比度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习显著提升了MRI重建,但需要大量的特定数据集.
- 在数据有限的场景中重建仍然是一个关键的挑战.
- 现有的方法,比如通过排斥 (RED) 进行规范化,使用排斥器作为先验.
研究的目的:
- 引入通过神经风格转移 (RNST) 进行规范化,用于MRI领域转移重建.
- 为了应对在数据有限的环境中MRI重建的挑战.
- 在没有配对训练数据的情况下,从低场输入中生成高场质量的MRI图像.
主要方法:
- 开发了RNST,集成了一个神经风格转移 (NST) 引擎与一个denoiser.
- 利用NST的风格先验来克服数据限制.
- 在多种不同的解剖平面 (轴心,冠状,斜面) 和噪音水平上测试了RNST.
主要成果:
- RNST成功地重建了高质量的MRI图像,具有卓越的清晰度,对比度和结构保真度.
- 该方法即使在风格和内容图像之间不完美对齐的情况下也表现出了稳健性.
- 与较低领域的参考资料相比,实现了更高的性能.
结论:
- RNST为MRI现场转移重建提供了一个可扩展,数据效率高的解决方案.
- 该框架显示了在资源有限的临床环境中改善MRI的巨大潜力.
- RNST有效地利用风格先验来解决MRI重建中的数据稀缺问题.
