SNRAware:通过信号对噪声比单位训练和G因子地图增强改进了深度学习MRI否定

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 磁共振成像 (MRI) 对于诊断至关重要,但容易受到噪音的影响,这可能会降低图像质量.
• 深度学习方法已经显示出对MRI解密的希望,但性能可能受到概括问题的限制.

研究的目的:

• 开发和评估基于深度学习的MRI无声化方法 (SNRAware),该方法包含从图像重建中获得的定量噪声分布信息.
• 提高MRI无噪声模型的性能和概括能力.

主要方法:

• 一项回顾性研究使用了大量数据集 (来自 96,605 个心脏电影系列的 2,885,236 张图像),采用 3-T MRI 扫描仪获取.
• 该SNRAware培训计划模拟了各种数据集,并使用了MRI重建的定量噪声分布数据.
• 评估了14个模型架构 (基于卷积和变压器),重点是3D输入张量和架构不可知论.

主要成果:

• 在内部和外部测试数据集上,SNRAware显著提高了MRI无效性能,超过了没有重建知识的训练模型.
• 与卷积模型相比,变压器模型表现出更高的性能,3D输入张量器比2D图像产生了更好的结果.
• 性能最好的模型在不同的MRI序列 (实时cine, perfusion,脑,脊柱) 和场强度 (1.5-T和3-T) 中得到了很好的概括,显示出明显的对比度和噪声比率改善.

结论:

• 该SNRAware培训计划有效地利用重建数据进行基于深度学习的MRI解密,提高性能和概括性.
• 这种方法为改善各种MRI应用中的图像质量提供了强大的解决方案.