通过噪声对噪声深度学习提高CEST MRI的SNR,使用K空间数据一致性

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:

• 化学交换和转移 (CEST) MRI对于分子成像至关重要.
• 获取的CEST图像经常存在低信号噪声比 (SNR),限制了诊断的准确性.
• 传统的无雾化方法可能需要清洁数据或复杂的模拟.

研究的目的:

• 开发一种基于深度学习的CEST图像的回顾性否定方法.
• 通过使用一种新的噪声对噪声 (N2N) 方法,增强获得的CEST图像的SNR.
• 为了评估N2NCEST模型在体内数据上的性能.

主要方法:

• 开发了N2NCEST模型,使用噪声对噪声 (N2N) 深度学习策略与杂的CEST图像对.
• 整合了一个变压器模块,以利用跨频偏移的时空空间相关性.
• 集成了一个数据一致性层,以保护k空间信息免受中心编码的获取.

主要成果:

• N2NCEST模型成功地增强了来自野生类型老鼠大脑的CEST图像中的SNR.
• 使用峰值信号对噪声比率 (PSNR) 和结构相似度指数 (SSIM) 验证了拒绝性能.
• 与现有无色化方法相比,N2NCEST显示出更高的图像保真度,保留了高频细节.

结论:

• N2NCEST提供了一种有效且兼容的解决方案,用于追溯CEST图像的无声化.
• N2N方法避免了复杂的参数调整和数据模拟,提高了可用性.
• 这种方法有望提高CESTMRI的诊断潜力.