优化基于深度学习的denoising用于动脉旋转标签:平均和培训策略的影响

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经成像是一种神经成像.

背景情况:

• 动脉旋转标记 (ASL) 是评估大脑血液流动的重要神经成像技术.
• 深度学习 (DL) 对消除ASL图像有希望,但最佳的培训策略需要进行系统的调查.
• 改善ASL图像质量对于准确的临床诊断和研究至关重要.

研究的目的:

• 系统地评估各种平均和培训策略对ASL图像的DL-based denoising的影响.
• 优化DL无噪管道,以提高ASL图像质量和缩短采集时间.
• 调查DL在不同的ASL序列和信号噪声比率 (SNRs) 中对DL无声化的概括性和有效性.

主要方法:

• 实验涉及152个ASL扫描 (脉冲和伪连续) 使用窗口和交联平均值在DL取消之前和之后 (基于CNN和变压器).
• 评估了校准扫描 (M0) 和SNR匹配在训练和推断期间的影响.
• 使用结构相似性,峰值SNR和4倍交叉验证的正常化平均绝对误差指标来评估图像质量.

主要成果:

• 在DL无声化之前对ASL图像的平均值产生了优异的结果,与平均后的平均值相比.
• 窗口平均化证明比间接平均化更有效,支持缩短扫描时间.
• 包括校准扫描 (M0) 在内的图像质量普遍得到改善,特别是在较低的SNR图像中.
• 在不同的模型和数据集中,DL无声化表现出强大的通用性和人工物减少能力.

结论:

• 基于DL的无声化是提高ASL图像质量的强大工具.
• 优化DL无噪管道,结合特定的平均化策略和校准数据,可以显著提高ASL图像分辨率并减少扫描时间.
• 本研究为ASL成像工作流程中实施有效的DL无音化提供了实用指南.