关于使用基于U-Net的深度神经网络去除血管脉冲器件的基础研究
Tomoko Soma1,2, Norio Hayashi3, Yusuke Sato4
1Division of Radiology, Shinshu University Hospital, Matsumoto, JPN.
Cureus
|July 7, 2025
概括
这项研究引入了一个深度学习网络,以减少短陶逆转恢复 (STIR) 磁共振成像中的血管脉冲器件. 基于U-Net的方法有效地将文物最小化,同时保持图像分辨率,以获得更好的诊断准确性.
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:
- 在MRI相位方向上的血管脉冲器件阻碍了准确的观察.
- 传统的缓解方法,如流量补偿和预和脉冲,具有局限性.
- 由于延长成像时间和特定的吸收率问题,完全去除文物是具有挑战性的.
研究的目的:
- 提出一个深度学习网络用于后处理,以减少血管脉冲器件.
- 评估基于U-Net的文物减少网络在Short Tau Inversion Recovery (STIR) 图像上的有效性.
- 评估拟议方法对图像质量指标和视觉感知的影响.
主要方法:
- 开发了一个基于U-Net的深度学习网络,包含批量规范化和脱落层.
- 获得了15名成年志愿者的下腿的STIR磁共振成像 (MRI) 扫描.
- 通过峰值信号噪声比率 (PSNR),结构相似度指数 (SSIM) 和视觉评估来评估网络性能.
主要成果:
- 与装有文物图像 (PSNR 27.83,SSIM 0.869) 相比,文物减少网络显示了PSNR (28.57) 和SSIM (0.882) 的改进.
- 视觉评估表明,与装有艺术品的图像相比,纠正后的图像中艺术品的存在显著减少.
- 在参考和纠正图像组之间没有观察到图像分辨率的显著差异.
结论:
- 拟议的基于U-Net的深度学习网络显示了在STIRMRI中减少血管脉动器件的潜力.
- 这是第一个应用深度学习来缓解STIR图像中血管脉动引起的流动工件的研究.
- 对于这种人工物减少方法的临床应用,需要进一步评估.
