3D同位素高分辨率胎儿大脑MRI从运动中重建损坏的厚数据,基于物理信息无监督学习

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 高质量的3D胎儿大脑MRI对于诊断发育异常和理解大脑生长至关重要.
• 目前用于从二维切片中重建3D胎儿大脑MRI的方法面临着运动工件的挑战,并需要广泛的3D训练数据.
• 深度学习 (DL) 显示出改善切片到体积记录 (SVR) 和超分辨率重建 (SRR) 的前景,但临床数据的局限性阻碍了大多数DL方法.

研究的目的:

• 开发一个无监督的,代的,共同的深度学习框架,用于3D同位素高分辨率 (HR) 胎儿大脑MRI体积重建.
• 克服对大型外部3D人力资源培训数据集的依赖,这些数据集在临床胎儿MRI设置中很难获得.
• 通过改善重建质量,提高胎儿大脑MRI分析的精度.

主要方法:

• 提出了一个无监督的代联合SVR和SRR深度学习框架,用于3D同位素HR体积重建.
• 概念化SVR作为一个卷积神经网络 (CNN),它预测刚性转换矩阵以将2D切片与3D目标体积对齐.
• 在SRR的深度图像预先框架内使用解码网络,以本地一致性和全面的图像退化模型为指导.

主要成果:

• 拟议的无监督DL框架成功地从动作损坏的2D切片中重建了高质量的3D胎儿大脑MRI卷.
• 与现有的最先进的胎儿大脑MRI重建方法相比,在模拟和临床数据集上表现出卓越的性能.
• 验证了深度图像先前框架在指导HR体积重建和CNN在准确的切片对体积注册中的有效性.

结论:

• 开发的无监督代联合SVR和SRRDL框架为3D胎儿大脑MRI重建提供了强大的解决方案,无需外部3D训练数据.
• 这种方法显著提升了使用MRI精确临床诊断和研究胎儿大脑发育的潜力.
• 该框架能够处理动作腐败并提高分辨率的能力,有望在医学成像中得到更广泛的应用.