使用深度复杂卷积网络进行脂肪水MRI分离

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 磁共振成像 (MRI) 是一种磁共振成像技术.

背景情况:

• 深度复杂卷积网络 (DCCN) 直接处理复杂值的MRI信号.
• 脂肪水分离对于定量MRI分析至关重要.
• 目前的方法经常将复杂的MRI信号分成大小和相位元件.

研究的目的:

• 调查DCCN与实值U-Nets在脂肪水分离方面的性能.
• 将DCCN和U-Nets比较在基于物理的,特定主题的临时重建框架内.
• 评估DCCN和U-Nets的准确性与参考方法相比.

主要方法:

• 利用了来自2012年ISMRM脂肪水分离研讨会的33个多回声MRI扫描 (腹部,大腿,膝盖,幻影) 的综合数据集.
• 包括来自MAFLD患者的五个额外的多回声MRI.
• 采用了基于物理学的,针对特定主体的特设重建方法来进行脂肪水分离.

主要成果:

• DCCN产生了脂肪水地图,其正常化RMS误差和结构相似度指数 (SSIM) 比实值U-Nets要好得多.
• 对于脂肪地图,DCCN的平均SSIM值为0.847 ± 0.069,对于水地图则为0.861 ± 0.078.
• 来自DCCN的平均肝脏质子密度脂肪分数 (PDFF) 与参考方法具有很高的相关性 (R=0.847),表现优于U-Nets.

结论:

• 与实值U-Nets相比,DCCN在脂肪水分离方面表现优越.
• 通过DCCN直接处理复杂值的MRI信号,从而提高了PDFF等定量MRI参数的准确性.
• 在MRI中,DCCN代表了对定量脂肪水分离的有希望的进步.