使用物理限制深度神经网络进行协调的初步尝试,用于多站点和多扫描仪MRI数据集 (PhyCHarm)
Gawon Lee1, Dong Hye Ye2, Se-Hong Oh3
1Department of Biomedical Engineering, Hankuk University of Foreign Studies, Yongin, the Republic of Korea.
NeuroImage
|July 6, 2025
概括
我们开发了用于多站点和多扫描仪协调 (PhyCHarm) 的物理约束深度神经网络,以提高磁共振成像 (MRI) 扫描一致性. PhyCHarm有效地协调不同扫描仪和站点的图像,提高研究数据的可靠性.
科学领域:
- 医疗成像医学成像
- 神经成像是一种神经成像.
- 机器学习 机器学习
背景情况:
- 磁共振成像 (MRI) 数据由于不同的扫描参数和扫描仪规格而表现出变化.
- 图像协调至关重要,以尽量减少这些差异,并确保跨多中心研究的数据一致性.
- 现有的协调方法往往缺乏稳定性,可能无法完全解释潜在的物理.
研究的目的:
- 开发和评估一个新的基于物理的MR协调框架,称为多站点和多扫描仪协调 (PhyCHarm) 的物理约束深度神经网络.
- 评估PhyCHarm在生成定量T1和M0图表以及协调T1加权图像方面的表现.
- 将PhyCHarm与其他基于深度学习的协调技术进行比较.
主要方法:
- PhyCHarm使用两个深度神经网络:一个T1和M0地图的定量地图生成器和一个协调网络.
- 定量地图生成器是在3T MP2RAGE数据集 (n=50) 上进行训练的.
- 协调网络在移动的3T T1w数据集 (n=9) 上进行了培训,并使用SSIM,PSNR和体积分析进行了评估.
主要成果:
- 在生成定量地图方面,PhyCHarm表现出卓越的性能,高SSIM,PSNR和NRMSE的表现证明了这一点.
- 与U-Net,Pix2Pix,CALAMITI和HarmonizingFlows相比,协调网络实现了更高的SSIM和PSNR.
- 在协调后,PhyCHarm的结果是灰色和白质体积差异的减少比比较方法更大.
结论:
- 通过将基于物理学的约束纳入深度学习框架,PhyCHarm代表了MRI协调的重大进步.
- 该框架对改善多站点和多扫描仪神经成像研究中的数据一致性有希望.
- 整合物理约束,即使在监督环境中,也为更复杂的无监督协调技术铺平了道路.
