雷文:使用自动编码器进行强大,可泛化,多分辨率的结构性MRI上采样.

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 磁共振图像 (MRI) 提供高的组织间对比度,揭示了衰老和疾病中的神经解剖学变化.
• 标准的MRI分辨率限制了微妙的检测,早期的病理变化.
• 增加MRI采集分辨率带来了诸如噪音,时间,成本和患者不适等挑战.

研究的目的:

• 开发一个强大的和可通用的单图像超分辨率网络用于脑MRI.
• 为了克服标准MRI分辨率的局限性,用于检测微妙的神经解剖学变化.
• 通过使用生成对抗网络 (GAN) 引入使用变量自动编码网络 (RAVEN) 的分辨率增强.

主要方法:

• 开发RAVEN,一个单图像超分辨率网络,集成变量自动编码器 (VAE) 和生成对抗网络 (GAN).
• 应用RAVEN在各种模式 (T1w,T2w,T2*) 和场强度 (3T-7T) 的体内和体外MRI上采样.
• 目标是实现以0.5mm为最小的同otropic voxel 尺寸,使用任意的 upsampling 因素.

主要成果:

• 雷文在提取样本的大脑MRI中表现出了最先进的性能.
• 与现有方法相比,该网络有效地保存了真实的解剖信息.
• 在各种MRI类型和场强度中,RAVEN实现了高分辨率的目标 (例如0.5mm同位素).

结论:

• 雷文提供了一种强大的解决方案,可以提高大脑MRI分辨率,而不会增加获取时间或成本.
• 该方法显示了改善神经退行性疾病和与衰老相关的大脑变化的早期检测的巨大潜力.
• 雷文是开放式的,为神经成像研究社区提供了有价值的工具.